CN110209144A - 基于动静协同差异分析的两层实时监测与报警溯源方法 - Google Patents

Abstract

本发明公开了一种基于动静协同差异分析的两层实时监测与报警溯源方法。该上层监测算法可以有效地从小尺度对过程波动性、过程状态的动静角度进行全面考虑，并且能够结合基于贡献图和传递熵的根源追溯方法，划定当前下层DCS系统的报警优先级，有效定位到故障源头。本发明综合了控制器调节能力、过程运行状态的动静态在线监测指标作为报警管理方法的选择依据，合理抑制干扰报警，有效解决了报警泛滥这一关键问题，从而保障了工业过程的安全、高效运行。

Description

基于动静协同差异分析的两层实时监测与报警溯源方法

技术领域

本发明属于过程监测与报警管理领域，特别是涉及了一种动静角度协同差 异分析方法，可以小尺度地从分布差异去监测过程状态、过程波动性，根据监 测结果提出了对应的四种报警管理方法以及实现方法，合理抑制干扰报警，有 效定位故障源头。

背景技术

报警系统对现代工业过程的安全、高效运行至关重要，在诸如电力和公用 事业、石油化工等工业部门的过程运行中给予故障发生的告警，提示操作员及 时处理异常工况。自从上世纪70年代“分布式控制系统”(DCS)的出现，报警 变量从原先的硬件信号配置转变成软件上挑选，无需成本、组态便利的同时也 带来了配置的随意化和冗余化现象。这在客观上造成了“报警过载”(Alarm Overloading)的频发，即无需告知操作员的信息或无需任何操作响应的情形，大 量的干扰报警消耗了操作员的精力，也降低了他们对报警系统的信心，很有可 能在真正发生报警时忽略了关键报警信息。“报警泛滥”(Alarm Flood)属于其中 一种最为普遍也同样棘手的问题，每当此时，报警数目远远超过控制台人员的 响应能力，关键报警被淹没在大量冗余报警之中，操作员无从获知报警根源来 决定有效应对措施，致使灾难发生。

合理可靠的报警管理系统，能够充分起到应用的保障作用，预警早期故障， 防止异常工况演变与灾难发生，在保证工业过程的安全、高效运行环节中处于 不可或缺的地位。为提升报警系统性能，工业界和相关组织提出了一系列工业 报警系统的标准和准则。例如，由欧洲工程设备和材料用户协会(EEMUA)于2013 年提出的准则EEMUA-191中指出，正常运行下每十分钟报警数不得超过1个。 国际自动化学会(ISA)于2009年给出了流程工业报警管理标准ANSI/ISA-18.2， 内容覆盖了报警管理的生命周期流程。但是，相关标准仅仅对报警系统的性能 提出了明确要求，未提供如何达到该要求的方法或技术细节。

在报警管理领域中，报警变量的选择与优先级划分、报警阈值动态优化在 整个报警系统设计中起到关键作用，直接关乎到是否正确报警与是否引起操作 员的响应。传统的单变量报警管理基于统计分布上的3σ准则，忽略了工业过程 变量之间的耦合性。

显然，基于多变量的报警管理可以更好的利用过程信息，结合上层的监控 手段来降低误报率，剖析报警信息因果，提升报警系统性能。近年来，国内外 学者针对多变量报警分析与设计的研究成果逐渐增多。Kndabeeti将主元分析应 用于生成报警信号，并根据误报率、漏报率指标分析了报警系统的性能。Alrowaie 基于粒子滤波的概率密度函数近似算法来设计报警阈值，可以很好地监测非高 斯信号。Chen提出了一种根据自适应时间尺度提取出信号的时间梯度，在线监 测过程信号变化方向的多变量报警系统。足以看出由需求驱动的报警管理研究 领域引起的重视程度与发展趋势。

本发明所提出方法具体应用对象为火电机组中的前置泵设备，深入考虑了 平稳过程数据的分布特征以及结合闭环控制特性去分析过程状态、过程波动性 的监测结果，提出了一种新的基于动静协同差异分析的两层实时监测与报警溯 源方法。

发明内容

本发明的目的在于针对现有的上层监测技术落实到下层报警系统的不完善， 以及检测平稳过程中发生的缓变故障存在的技术局限，提供一种基于动静协同 差异分析的两层实时监测与报警溯源方法。该上层监测算法深入考虑了平稳过 程数据的分布差异，小尺度地去监测过程状态、过程波动性，并且能够结合基 于贡献图和传递熵的根源追溯方法，划定当前报警信息的优先级，有效定位到 故障源头。所提出的报警溯源方法可以合理地抑制干扰报警；在分别发生上层 静态、上层动态异常的情况，按各自贡献来确定优先级，从而对现场的报警信 号作一个合理的排序；在同时发生上层静态、上层动态异常的情况，可以将定 位到的根源贡献变量以最高优先级显示，便于操作员及时分析与处理该报警信息，有效应对报警泛滥的问题，提高报警系统性能，从而保障了工业过程的安 全、高效运行。

本发明的目的是通过以下技术方案来实现：一种基于动静协同差异分析的 两层实时监测与报警溯源方法，该方法包括以下步骤：

(1)选取正常工况下的参考样本与同工况下的监测样本，其中，参考样本 和监测样本均包含J个测量变量，且参考样本的时间窗口大小为N₁个采样单位， 参考样本表示为监测样本的时间窗口大小为N₂个采样单位，监测 样本表示为

(2)数据预处理：设参考样本内每一列向量中的每一元素分别 进行减均值、除以标准差的标准化处理，其中，下标j代表第j个变量，即第j列， 下标k代表每列中第k个元素，其标准化处理的计算公式如下：

其中：是矩阵第j列向量的均值，s_j是矩阵第j列向量的标准差，x_jk为标准化后的二维矩阵X₁第k行j列的元素；

其中，

将二维矩阵标准化后，得到每列均值为0，方差为1的矩阵 X₁(N₁×J)；同样将监测样本按照上述方式进行标准化处理，在标准 化过程中，每一列使用的均值、方差均采用参考样本中对应列的均值、方差， 标准化处理后得到X₂(N₂×J)；

(3)进行基于SFA的动静协同差异分析建模，该步骤由以下子步骤来实现：

(3.1)将X₁(N₁×J)、X₂(N₂×J)合并成样本大小为(N₁+N₂)×J的新样本

(3.2)对新样本进行SFA建模，其中SFA建模公式如下：

s＝XW (16)

其中，s为新样本的慢特征，W为SFA的系数矩阵；

(3.3)经SFA投影得到的慢特征拆成s1(N₁×J)，s₂(N₂×J)，其中s1 为对应参考样本的慢特征，S2为对应监测样本的慢特征；

(3.4)通过缩放将si(N_i×J)转换成Yi(N_i×J)，缩放公式如下：

其中，i取值为1时，si(N_i×J)对应参考样本的慢特征，i取值为2时， si(N_i×J)对应监测样本的慢特征；Yi表示对应慢特征缩放后的矩阵；

(3.5)将慢特征s1、s2分别进行一阶差分得到慢特征的变化

(3.6)的每一列分别进行缩放，以第j个列向量为例：

其中，反映了慢特征的变化快慢，运算<·>表示取向量的所有元素的平均值；

(3.7)构建慢特征的变化经缩放后的矩阵其第j列为yi_j，j可在1至J 之间任意取值；

(4)提取出两个分布差异作为监测指标，该步骤由以下子步骤来实现：

(4.1)选取步骤3.4中经缩放后的样本慢特征Yi，其协方差矩阵的计算公式 如下：

(4.2)根据M1的J个特征根，衡量慢特征静态分布差异的静态指标D_s的计 算公式如下：

其中，λ_j为M1第j个特征根；

(4.3)选取步骤3.7中经缩放后的样本慢特征变化其协方差矩阵的 计算公式同步骤4.1；

(4.4)根据的J个特征根，由此，衡量慢特征动态分布差异的动态指标 D_d的计算公式如下：

其中，为第j个特征根；

(5)根据一段正常运行时间内监测的多个D_s和多个D_d取值，利用核密度 估计分别求出D_s、D_d的控制限，二者分别可以反映过程状态、过程波动的情况；

(6)在线过程监测，该步骤由以下子步骤来实现：

(6.1)采集新测量数据组成新监测样本，进行数据预处理，具体为：在线 监测时，采集新的过程测量数据x_new(J×1)，实时滑动时间窗口，获得新的监测 样本其中，下标new代表新样本；按照步骤2中方式进行标准化 处理，在标准化过程中，每一列使用的均值、方差均采用参考样本中对应列的 均值、方差，标准化处理后得到新的监测样本X_new(N₂×J)；

(6.2)按照步骤3、步骤4进行当前时刻的静态指标D_snew、动态指标D_dnew的计算。

在线判断过程运行状态：实时比较静态指标D_snew、动态指标D_dnew与D_s、D_d的控制限，每种情形与其对应的报警管理方法如下：

(a)上层动静指标均未超限：工况一切正常，建议抑制报警；

(b)上层动态超限、上层静态未超限：此时动态变化异常，控制器起到调 节作用；如若控制作用不足以完全补偿误差，最终会造成稳态偏离； 故需要确定报警的必要性，若有报警的必要，则结合报警变量的动态 贡献图，按照各自贡献大小确定优先级，经排序后给予报警显示；

(c)上层静态超限、上层动态未超限：一种可能是发生漂移故障，另一种 是操作环境变化或工况切换的正常状态；故需要在线切换其他工况的 参考样本进行监测，如果匹配到某种工况，使得重新计算得到的静态、 动态指标皆正常，建议抑制报警；否则，则结合报警变量的静态贡献 图，按照各自贡献大小确定优先级，经排序后给予报警显示；

(d)上层动静同时超限：故障导致的稳态偏离且动态变化异常，容易出现 报警泛滥，需要进行根源追溯，定位故障源；按机理关系把主要贡献 变量进行分组，将属于同一个生产单元的主要贡献变量归为一组，每 组的优先级由整组的贡献之和来划分，通过根源追溯定位到每组的根 源变量给予报警显示；

上述依据b中，报警的必要性由以下步骤获得：

(A1)将当前窗口内样本的前1/2样本作为子窗口A，后1/2样本作为子窗 口B，统计出两个子窗口内报警数的平均值；

(A2)若子窗口B的报警数平均值大于子窗口A的报警数平均值，且前者 的报警数平均值大于5，则认为当前有必要报警；

上述依据b中，动态的贡献图由以下步骤获得：

(B1)根据步骤3.2与步骤3.3，样本X_i可以转换成对应的慢特征s_i：

s_i＝X_iW (22)

(B2)在步骤4.3中，选出的最大特征根所对应的特征方程其得分 向量t¹计算公式如下：

其中，x_j是样本X_i的第j列向量，是向量的第j个元素；

(B3)为了计算每个测量变量对得分向量的贡献，用变换后的测量变量取 范数来衡量其贡献，即样本X_i的每一列与对应负荷的乘积，计算公式如下：

其中，表示第j个测量变量对动态指标D_d的贡献；

上述依据c中，静态的贡献图由以下步骤获得：

(C1)在步骤4.1中，选出M_i的最大特征根所对应的的特征方程其得 分向量t¹计算公式如下：

其中，x_j是样本X_i的第j列向量，是向量的第j个元素；

(C2)为了计算每个测量变量对得分向量的贡献，用变换后的测量变量取 范数来衡量其贡献，即样本X_i的每一列与对应负荷的乘积，计算公式如下：

其中，表示第j个测量变量对静态指标D_s的贡献；

上述依据d中，根源追溯采用基于传递熵的因果分析方法，使用粗粒化的 方法获得过程变量的近似离散型概率密度，学习出正常工况下的因果关系。

与现有技术相比，本发明的有益效果是：本发明为针对平稳数据的小尺度 监测技术、上层监测技术落实到下层报警系统提供了新的研究思路。所提出的 上层监测方法和报警溯源方法可以应用于一类平稳的工业生产过程。考虑到评 估数据分布的差异性，数值的增减均会造成分布差异的增大，故依据慢特征的 动静分布差异来监测平稳过程数据，能够明显看出闭环控制下平稳过程数据的 过程状态以及过程波动性的变化，及早地发现缓变故障，提高在线过程监测性 能，所提出的方法针对火电机组设备前置泵做了详细的实验研究，获得了成功 应用，该方法根据上层的监测结果，落实对应报警管理方法，合理抑制了干扰 报警，划分报警信息优先级，定位故障源，最终可应用于实际工业生产现场， 提高报警系统性能，确保生产过程的安全可靠运行。

附图说明

图1是本发明所述报警管理思路的示意图。

图2是本发明所述基于动静协同差异分析监测算法的离线监测结果。

图3是本发明所述在线监测结果。

图4是本发明所述第4081个时刻点的动态分布差异贡献图。

图5是本发明所述第8000个时刻点的静态分布差异贡献图与动态分布差异 贡献图。

图6是本发明所述嘉华#8机前置泵测量变量的因果关系图。

图7是本发明所用数据集的下层DCS报警情况。

具体实施方式

下面结合附图及具体实例，对本发明做进一步说明。

本发明提出的上层监控算法与针对下层的报警溯源方法，包括以下步骤：

(1)获取待分析数据：本实例中，将火电机组设备前置泵的运行数据用于 测试本发明提出的监测方法并落实相应的报警管理策略。一共采集了12799个 样本，测量变量为20个：功率信号三选值、环境温度(#6)、汽泵A入口温度、 汽泵A入口压力三选值、前置泵A出口流量、前置泵A电机径向轴承温度A CP、 前置泵A电机径向轴承温度CP、前置泵A电机线圈温度U1、前置泵A电机线 圈温度U2、前置泵A电机线圈温度V1、前置泵A电机线圈温度V2、前置泵A 电机线圈温度W1、前置泵A电机线圈温度W2、前置泵A电流、前置泵A机 械密封水温度A CP、前置泵A径向轴承温度CP、前置泵A入口滤网差压、前 置泵A入口温度、前置泵A入口压力三选值。此外，所用数据集时间跨度为 2015.5.1-2015.08.01，采样间隔10min，故障标签为前置泵A电机驱动端轴承温 度高，故障根源为测点“前置泵A电机径向轴承温度CP”，故障类型为缓变故障。 选取参考样本自2015/5/4 2：40起，至2015/5/6 8：00，采样间隔10min，样本大小 为320个采样间隔，即二维数据矩阵监测的时间范围自2015/5/68：00起，至2015/8/1 0：00止，包含了12479个采样间隔。其中，用于离线建模 的时间范围为自2015/5/6 8：00起，至2015/5/27 8：00止，考虑到故障类型属于缓 变故障，起初的异常变化并不明显，故默认为正常运行下的数据。用于在线监 测的时间范围自2015/5/27 8：00起，至2015/8/1 0：00止。滑动窗口的大小为320 个采样间隔，窗口内的数据组成了监测样本，即二维数据矩阵

(2)数据预处理：设参考样本内每一列向量中的每一元素分别 进行减均值、除以标准差的标准化处理，其中，下标j代表第j个变量，即第j列， 下标k代表每列中第k个元素，其标准化处理的计算公式如下：

其中：是矩阵第j列向量的均值，s_j是矩阵第j列向量的标准差，x_jk为标准化后的二维矩阵X₁第k行j列的元素；

其中，

将二维矩阵标准化后，得到每列均值为0，方差为1的矩阵 X₁(N₁×J)；同样将监测样本按照上述方式进行标准化处理，在标准 化过程中，每一列使用的均值、方差均采用参考样本中对应列的均值、方差， 标准化处理后得到X₂(N₂×J)；

(3)进行基于SFA的动静协同差异分析建模，该步骤由以下子步骤来实现：

(3.1)将X₁(N1×J)、X₂(N₂×J)合并成样本大小为(N₁+N₂)×J的新样本

(3.2)对新样本进行SFA建模，其中SFA建模公式如下：

s＝XW (29)

其中，s为新样本的慢特征，W为SFA的系数矩阵；

(3.3)经SFA投影得到的慢特征拆成s1(N₁×J)，s2(N₂×J)，其中s1 为对应参考样本的慢特征，S2为对应监测样本的慢特征；

(3.4)通过缩放将si(N_i×J)转换成Yi(N_i×J)，缩放公式如下：

其中，i取值为1时，si(N_i×J)对应参考样本的慢特征，i取值为2时， si(N_i×J)对应监测样本的慢特征；Yi表示对应慢特征缩放后的矩阵；

(3.5)将慢特征s1、s2分别进行一阶差分得到慢特征的变化

(3.6)的每一列分别进行缩放，以第j个列向量为例：

其中，反映了慢特征的变化快慢，运算<·>表示取向量的所有元素的平均值；

(3.7)构建慢特征的变化经缩放后的矩阵其第j列为yi_j，j可在1至J 之间任意取值；

(4)提取出两个分布差异作为监测指标，该步骤由以下子步骤来实现：

(4.1)选取步骤3.4中经缩放后的样本慢特征Yi，其协方差矩阵的计算公式 如下：

(4.2)根据M1的J个特征根，衡量慢特征静态分布差异的静态指标D_s的计 算公式如下：

其中，λ_j为M1第j个特征根；

(4.3)选取步骤3.7中经缩放后的样本慢特征变化其协方差矩阵的 计算公式同步骤4.1；

(4.4)根据的J个特征根，由此，衡量慢特征动态分布差异的动态指标 D_d的计算公式如下：

其中，为第j个特征根；

(5)根据一段正常运行时间内监测的多个D_s和多个D_d取值，利用核密度 估计分别求出D_s、D_d的控制限，分别是0.523，0.337，二者分别可以反映过程 状态、过程波动的情况。结果如附图2(a)、(b)所示，其中实线代表监测差异 值，虚线代表95％控制限。从监测结果也可以看出，静态指标、动态指标上下 波动幅度不大，结合电厂负荷一直改变带来的不平稳特性，监测结果出现小幅 变周期震荡是合理的。

(6)在线过程监测，该步骤由以下子步骤来实现：

(6.1)采集新测量数据组成新监测样本，进行数据预处理，具体为：在线 监测时，采集新的过程测量数据x_new(J×1)，实时滑动时间窗口，获得新的监测 样本其中，下标new代表新样本；按照步骤2中方式进行标准化 处理，在标准化过程中，每一列使用的均值、方差均采用参考样本中对应列的 均值、方差，标准化处理后得到新的监测样本X_new(N₂×J)；

(6.2)按照步骤3、步骤4进行当前时刻的静态指标D_snew、动态指标D_dnew的计算。

在线判断过程运行状态：实时比较静态指标D_snew、动态指标D_dnew与D_s、D_d的控制限，每种情形与其对应的报警管理方法如下：

(a)上层动静指标均未超限：工况一切正常，建议抑制报警；

(b)上层动态超限、上层静态未超限：确定报警的必要性，若有报警的必 要，则结合报警变量的动态贡献图，按照各自贡献大小确定优先级， 经排序后给予报警显示；

(c)上层静态超限、上层动态未超限：在线切换其他工况的参考样本进行 监测，如果匹配到某种工况，使得重新计算得到的静态、动态指标皆 正常，建议抑制报警；否则，则结合报警变量的静态贡献图，按照各 自贡献大小确定优先级，经排序后给予报警显示；

(d)上层动静同时超限：按机理关系把主要贡献变量进行分组，每组的优 先级由整组的贡献之和来划分，将属于同一个生产单元的主要贡献变 量归为一组，通过根源追溯定位到每组的根源变量给予报警显示；

上述依据b中，报警的必要性由以下步骤获得：

(A1)将当前窗口内样本的前1/2样本作为子窗口A，后1/2样本作为子窗 口B，统计出两个子窗口内报警数的平均值；

(A2)若子窗口B的报警数平均值大于子窗口A的报警数平均值，且前者 的报警数平均值大于5，则认为当前有必要报警；

上述依据b中，动态的贡献图由以下步骤获得：

(B1)根据步骤3.2与步骤3.3，样本X_i可以转换成对应的慢特征s_i：

s_i＝X_iW (35)

(B2)在步骤4.3中，选出的最大特征根所对应的特征方程其得分 向量t¹计算公式如下：

其中，x_j是样本X_i的第j列向量，是向量的第j个元素；

(B3)为了计算每个测量变量对得分向量的贡献，用变换后的测量变量取 范数来衡量其贡献，即样本X_i的每一列与对应负荷的乘积，计算公式如下：

其中，表示第j个测量变量对动态指标D_d的贡献；

上述依据c中，静态的贡献图由以下步骤获得：

(C1)在步骤4.1中，选出M_i的最大特征根所对应的的特征方程其得 分向量t¹计算公式如下：

其中，x_j是样本X_i的第j列向量，是向量的第j个元素；

(C2)为了计算每个测量变量对得分向量的贡献，用变换后的测量变量取 范数来衡量其贡献，即样本X_i的每一列与对应负荷的乘积，计算公式如下：

其中，表示第j个测量变量对静态指标D_s的贡献；

上述依据d中，根源追溯采用基于传递熵的因果分析方法，使用粗粒化的 方法获得过程变量的近似概率密度。

紧接着进行在线监测，结果如附图3(a)、(b)所示。由附图3(a)可见， 静态指标D_s随时间呈缓慢上升趋势，第6000个时刻点明显超限。动态指标D_d在 第5500个时刻点之后，超限频繁，反映了过程动态波动性较大，控制器起到调 节作用，将过程状态暂且维持住，从动态指标超限、稳态指标未超限可以看出。 然而长时间下来，因控制器的调节作用不足以完全补偿误差，过程状态发生偏 离。监测结果表明，在该段时间内由于过程动态波动过大，控制作用不足以补 偿误差，过程状态逐渐偏离，动静异常。这与故障标签“缓变故障”是一致的， 监测结果正确。

结合上层的监测结果，可以重点关注以下几个关键时刻点，下文将给出相 应的报警管理情况：

1)第907个时刻点(2015/5/8 15：00)，首次出现明显的动态异常，属于情形2。

2)第4081个时刻点(2015/5/31 13：10)，再次出现明显的动态异常，属于情形2。

3)第6000个时刻点(2015/6/13 22：40)，动静态异常，属于情形4。

4)第8000个时刻点(2015/6/25 13：00)，动静态异常，且在之后一段时间内，静 态指标频繁超限，动态指标一直超限，属于情形4。

根据本发明的报警管理方法，分别以第4081、第8000个采样点为例，进行 根源追溯。

针对属于情形2的第4081个时刻点，作动态的贡献图分析，根据贡献来设 定报警变量的优先级，结果如附图4所示。

针对属于情形4的第8000个时刻点，先进行静态、动态的贡献图分析。分 析结果附图5(a)、(b)所示。接着，从贡献图中找到前10个主要贡献变量， 重点关注故障时贡献增大且贡献率大的变量。图中可以看出，对静态、动态差 异主要贡献变量基本重合。

选取前900个时刻点的数据，根据传递熵方法来学习出正常工况下变量之 间的拓扑关系，得到的因果关系如附图6所示。嘉华#8机前置泵区域涉及变量， x7(前置泵A电机径向轴承温度CP)→x4(汽泵A入口压力三选值)、x10(前 置泵A电机线圈温度V1)、x16(前置泵A径向轴承温度A CP)、x17(前置泵 A径向轴承温度CP)。其他主要贡献变量如x6、x15、x3的因果关系不显著， 不考虑为故障根源变量。故在该组的根源贡献变量中定位到x7。

所选数据集中的故障类型为缓变故障，故障源于前置泵A电机驱动端轴承 温度高，实验结果提供了很好的根源追溯指导。

结合上层的监测结果，根据本发明的报警管理策略，可以对下层的报警进 行有效管理和抑制。下层的DCS报警情况如附图7所示。现给出以下几个关键 时刻点的报警管理情况：

1)第907个时刻点之前，上层静态动态正常，属于情形1，故出现的报警属于 干扰报警，建议抑制此阶段出现的报警。

2)第907个时刻点，首次出现明显的上层动态异常，属于情形2。此阶段子窗 口A(第587至第907时刻点)的平均报警数为0.3，子窗口B(第747至第 907时刻点)的平均报警数为1.2，不必要报警。经分析，属于控制器起调节 作用导致的动态波动较强，过程状态得以维持在原先位置，故此时报警无重 要信息，建议抑制报警。

3)第4081个时刻点(2015/5/31 13:10)，再次出现明显的动态异常，属于情形2。此阶段子窗口A(第3761至第3921时刻点)的平均报警数为2.8，子窗口B (第3921至第4081时刻点)的平均报警数为6.2，有必要报警，故需要进 行动态的贡献图分析，根据贡献来设定优先级，给予报警。此时有11个报 警，分别是x2、x6、x8-x13、x15-x17，则根据图4的动态贡献图分析，根据 贡献来对报警信号划分优先级，排序结果如下(从左至右优先级逐渐变低)： x9、x12、x15、x6、x17、x11、x8、x13、x16、x2、x10。

4)第8000个时刻点(2015/6/25 13：00)，动静态异常，属于情形4。根据根源追 溯结果，定位故障源为x7。故在此时出现的12个报警信号中，给予x7的报 警信号最高优先级，其他报警信号建议不显示或者根据各自的贡献度作排序。

本发明的基于动静协同差异分析的两层实时监测与报警溯源方法，针对火 电机组设备前置泵做了详细的实验研究，获得了成功应用，监测样本的在线监 测结果如附图3(a)、(b)所示。由附图3(a)可见，静态指标D_s随时间呈缓 慢上升趋势，第6000个时刻点明显超限。动态指标D_d在第5500个时刻点之后， 超限频繁，反映了过程动态波动性较大，控制器起到调节作用，将过程状态暂 且维持住，从动态指标超限、稳态指标未超限可以看出。然而长时间下来，因 控制器的调节作用不足以完全补偿误差，过程状态发生偏离。监测结果表明， 的确发生了缓变故障，监测结果正确。

总体来说，基于本发明提出的动静协同差异分析的监测方法通过考虑平稳 数据的分布与闭环系统的调节作用，通过小尺度监测过程状态以及过程波动性 的变化，及早地发现缓变故障，提高在线过程监测性能。

该方法根据上层的监测结果，落实对应报警管理方法，在分别发生上层静 态、上层动态异常的场合，按各自贡献来确定优先级，从而对现场的报警信号 作一个合理的排序；在发生上层静态、上层动态皆异常的场合，可以将定位到 的根源贡献变量以最高优先级显示，便于操作员及时分析与处理下层的报警信 息，有效应对报警泛滥问题。通过合理抑制干扰报警，划分报警信息优先级， 定位故障源，以提高报警系统性能，确保生产过程的安全可靠运行。

应该理解，本发明并不局限于上述具体实施例的火电机组设备前置泵运行 过程，凡是熟悉本领域的技术人员在不违背本发明精神的前提下还可做出等同 变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围。

Claims (2)

1.一种基于动静协同差异分析的两层实时监测方法，其特征在于，该方法包括以下步骤：

(1)选取正常工况下的参考样本与同工况下的监测样本，其中，参考样本和监测样本均包含J个测量变量，且参考样本的时间窗口大小为N₁个采样单位，参考样本表示为监测样本的时间窗口大小为N₂个采样单位，监测样本表示为

(2)数据预处理：设参考样本内每一列向量中的每一元素分别进行减均值、除以标准差的标准化处理，其中，下标j代表第j个变量，即第j列，下标k代表每列中第k个元素，其标准化处理的计算公式如下：

其中：是矩阵第j列向量的均值，s_j是矩阵第j列向量的标准差，x_jk为标准化后的二维矩阵X₁第k行j列的元素；

其中，

将二维矩阵标准化后，得到每列均值为0，方差为1的矩阵X₁(N₁×J)；同样将监测样本按照上述方式进行标准化处理，在标准化过程中，每一列使用的均值、方差均采用参考样本中对应列的均值、方差，标准化处理后得到X₂(N₂×J)；

(3)进行基于SFA的动静协同差异分析建模，该步骤由以下子步骤来实现：

(3.1)将X₁(N₁×J)、X₂(N₂×J)合并成样本大小为(N₁+N₂)×J的新样本

(3.2)对新样本进行SFA建模，其中SFA建模公式如下：

s＝XW (3)

其中，s为新样本的慢特征，W为SFA的系数矩阵；

(3.3)经SFA投影得到的慢特征拆成s₁(N₁×J)，s₂(N₂×J)，其中s₁为对应参考样本的慢特征，s₂为对应监测样本的慢特征；

(3.4)通过缩放将s_i(N_i×J)转换成Y_i(N_i×J)，缩放公式如下：

其中，i取值为1时，s_i(N_i×J)对应参考样本的慢特征，i取值为2时，s_i(N_i×J)对应监测样本的慢特征；Y_i表示对应慢特征缩放后的矩阵；

(3.5)将慢特征s₁、s₂分别进行一阶差分得到慢特征的变化

(3.6)的每一列分别进行缩放，以第j个列向量为例：

其中，反映了慢特征的变化快慢，运算<·>表示取向量的所有元素的平均值；

(3.7)构建慢特征的变化经缩放后的矩阵其第j列为j可在1至J之间任意取值；

(4)提取出两个分布差异作为监测指标，该步骤由以下子步骤来实现：

(4.1)选取步骤3.4中经缩放后的样本慢特征Y_i，其协方差矩阵的计算公式如下：

(4.2)根据M₁的J个特征根，衡量慢特征静态分布差异的静态指标D_s的计算公式如下：

其中，λ_j为M₁第j个特征根；

(4.3)选取步骤3.7中经缩放后的样本慢特征变化其协方差矩阵的计算公式同步骤4.1；

(4.4)根据的J个特征根，由此，衡量慢特征动态分布差异的动态指标D_d的计算公式如下：

其中，为第j个特征根；

(5)根据一段正常运行时间内监测的多个D_s和多个D_d取值，利用核密度估计分别求出D_s、D_d的控制限；

(6)在线过程监测，该步骤由以下子步骤来实现：

(6.1)采集新测量数据组成新监测样本，进行数据预处理，具体为：在线监测时，采集新的过程测量数据x_new(J×1)，实时滑动时间窗口，获得新的监测样本其中，下标new代表新样本；按照步骤2中方式进行标准化处理，在标准化过程中，每一列使用的均值、方差均采用参考样本中对应列的均值、方差，标准化处理后得到新的监测样本X_new(N₂×J)；

(6.2)按照步骤3、步骤4进行当前时刻的静态指标D_snew、动态指标D_dnew的计算。

2.一种基于动静协同差异分析的报警溯源方法，其特征在于，该方法基于权利要求1监测得到的静态指标、动态指标来实现，包括如下步骤：

在线判断过程运行状态：实时比较静态指标D_snew、动态指标D_dnew与D_s、D_d的控制限，每种情形与其对应的报警管理方法如下：

(a)上层动静指标均未超限：工况一切正常，建议抑制报警；

(b)上层动态超限、上层静态未超限：确定报警的必要性，若有报警的必要，则结合报警变量的动态贡献图，按照各自贡献大小确定优先级，经排序后给予报警显示；

(c)上层静态超限、上层动态未超限：在线切换其他工况的参考样本进行监测，如果匹配到某种工况，使得重新计算得到的静态、动态指标皆正常，建议抑制报警；否则，则结合报警变量的静态贡献图，按照各自贡献大小确定优先级，经排序后给予报警显示；

(d)上层动静同时超限：按机理关系把主要贡献变量进行分组，将属于同一个生产单元的主要贡献变量归为一组，每组的优先级由整组的贡献之和来划分，通过根源追溯定位到每组的根源贡献变量给予报警显示；

上述依据b中，报警的必要性由以下步骤获得：

(A1)将当前窗口内样本的前1/2样本作为子窗口A，后1/2样本作为子窗口B，统计出两个子窗口内报警数的平均值；

(A2)若子窗口B的报警数平均值大于子窗口A的报警数平均值，且前者的报警数平均值大于5，则认为当前有必要报警；

上述依据b中，动态的贡献图由以下步骤获得：

(B1)根据步骤3.2与步骤3.3，样本X_i可以转换成对应的慢特征s_i：

s_i＝X_iＷ (9)

(B2)在步骤4.3中，选出的最大特征根所对应的特征方程其得分向量计算公式如下：

其中，x_j是样本X_i的第j列向量，是向量的第j个元素；

(B3)为了计算每个测量变量对得分向量的贡献，用变换后的测量变量取范数来衡量其贡献，即样本X_i的每一列与对应负荷的乘积，计算公式如下：

其中，表示第j个测量变量对动态指标D_d的贡献；

上述依据c中，静态的贡献图由以下步骤获得：

(C1)在步骤4.1中，选出M_i的最大特征根所对应的的特征方程其得分向量t¹计算公式如下：

其中，x_j是样本X_i的第j列向量，是向量的第j个元素；

(C2)为了计算每个测量变量对得分向量的贡献，用变换后的测量变量取范数来衡量其贡献，即样本X_i的每一列与对应负荷的乘积，计算公式如下：

其中，表示第j个测量变量对静态指标D_s的贡献；

上述依据d中，根源追溯采用基于传递熵的因果分析方法，使用粗粒化的方法获得过程变量的近似离散型概率密度，学习出正常工况下的因果关系。