CN110673577A - 一种复杂化工生产过程的分布式监控与故障诊断方法 - Google Patents

Abstract

本发明公开了一种复杂化工生产过程的分布式监控与故障诊断方法，首先通过在基于流程图划分的子块中应用DICA方法实施分布式监控，然后通过将各子块监控结果二值化并应改进的加权朴素贝叶斯方法CAWNB划分故障类型。本发明改善了由于系统中的变量数量过多、相互耦合、具有自相关性且流程工业数据不满足高斯假设造成的监控性能不佳的状况；通过将各子块监控结果二值化并应用改进的加权朴素贝叶斯方法CAWNB划分故障类型，诊断精度高，除是否发生异常外还可以识别故障类型，提高了分布式故障监控的性能，为操作人员提供可靠的参考。

Description

一种复杂化工生产过程的分布式监控与故障诊断方法

技术领域

本发明属于自动化监控技术领域，特别涉及一种复杂化工生产过程的分布式监控与故障诊断方法，其中，运用基于流程图划分子块和DICA(Dynamic IndependentComponent Analysis)实现分布式监控，进一步采用改进朴素贝叶斯CAWNB(Class-Specific Attribute Weighting

Bayes)算法实现化工生产过程中的故障诊断问题。

背景技术

随着复杂工业系统和传感器技术的迅速发展，故障诊断对于保证生产过程能够安全和高质量运行具有重要意义。而化工生产过程具有高维数、强耦合、自相关等复杂特征，难以准确提取有效特征进行诊断建模。为了解决这个问题，分布式监控(DistributedMonitoring)模型被广泛研究与应用。与集中式多变量统计过程监控模型(MultivariateStatistics Process Monitoring,MSPM)不同，分布式监控模型将过程变量划分为多个子块，用以降低流程复杂度和监控冗余。因此，如何划分子块是实现分布式监控的关键步骤。主要有两类方法，一类是知识驱动的，假设可以事先获得过程知识，根据工艺流程图划分、运用多块分层主成分分析(PCA)和偏最小二乘(PLS)算法划分等方法；另一类是数据驱动的，假设过程知识不可得知或仅部分可知，根据变量间相关性的度量如Kullback-Leibler(KL)距离或Mutual Information(ML)进行划分等方法。

对于在每个子块上实施监控，PCA是最常用的方法之一。然而使用PCA方法有两个缺点：其一是PCA假设潜在变量服从高斯分布；其二是假设被观测变量不具有自相关性。这在化工过程中都是难以满足的，因而监控准确度将会受到影响，从而影响故障分类的精度。而ICA方法并无高斯分布的假设，并且在过程监控中ICA方法可以从观测数据中获取更有价值的信息，对异常值更具有鲁棒性；若在数据预处理中，使用先前的观测值将数据矩阵变换为具有时滞变量的增强数据矩阵，即使用DICA方法，充分考虑观测变量的自相关性，在动态系统的过程监控中可以获得更好的表现。

贝叶斯方法由Thomas Bayes在1973年尝试对“逆概问题”求解时首先提出。其中朴素贝叶斯分类模型(

Bayes，NB)以贝叶斯理论作为坚实的理论基础，易于建模，可解释性强，在很多应用中表现不俗。然而在如化工过程等属性相互耦合的应用中，NB的条件独立性假设难以满足，分类正确率会受到一定影响。

发明内容

本发明的目的在于克服上述现有技术的不足，提供一种复杂化工生产过程的分布式监控与故障诊断方法，通过在基于流程图划分的子块中应用DICA方法实施分布式监控，改善由于系统中的变量数量过多、相互耦合、具有自相关性且数据不满足高斯假设造成的监控性能不佳的状况；通过将各子块监控结果二值化并应改进的加权朴素贝叶斯方法CAWNB划分故障类型，得到了除是否发生异常外更多的故障信息，提高分布式故障监控的性能。

一种复杂化工生产过程的分布式监控与故障诊断方法，其特征在于，首先通过在基于流程图划分的子块中应用DICA方法实施分布式监控，然后通过将各子块监控结果二值化并应改进的加权朴素贝叶斯方法CAWNB划分故障类型。

进一步的，所述方法包括：

1)子块划分过程：根据生产单元将最具有表征性的系统变量划分为不同的子块，每个子块在朴素贝叶斯模型中被视为一个独立属性；

2)监控过程：将观测的数据矩阵拓展为具有时滞变量的动态增强矩阵，然后对于每个子块的数据应用FastICA算法计算独立成分并计算统计量I²和控制限，最后根据每个子块的I²统计量超限与否为子块的属性赋值1或0；

3)故障分类过程：根据训练集的监控结果得到条件概率，然后通过优化最小化均方误差的目标函数确定属性权值，最后使用加权过的条件概率计算后验概率，选择最大化后验概率的类别作为分类结果。

进一步的，1)子块划分过程中，系统变量S∈R^1×V划分为5＝{s₁，s₂，...，s_b｝共b个子块，其中V表示系统关键变量的个数；

2)监控过程中，对于每一个子块的训练数据集应用数据矩阵增强技术，即使用先前τ个观测向量扩充当前的观测矢量，观测矩阵X＝[x(1)x(2)…x(n)]表示为：

其中，τ∈{1，2，3｝；

X∈R^m×n为原数据的数据增强矩阵，n为样本数，m为变量数，观测数据为m个未知独立成分S∈R^m×n的线性组合，即X＝AS，其中A∈R^m×m是混合矩阵，通过FastICA算法以数据矩阵X求取解混矩阵W，进而得出独立成分矩阵过程如下：

首先将数据矩阵进行白化Z＝QX，其中Q＝∧^-1/2U^T是白化矩阵，通过X的协方差矩阵的特征分解

得到，∧是特征值的对角矩阵，U是特征向量矩阵；白化后的矩阵

其中B是正交矩阵，通过FastICA以最大化各分量非高斯性迭代求取，则独立分量表示为

解混矩阵W＝B^TQ；

选取包含主要特征的部分分量：在解混矩阵W中，具有最大L₂范数的行被认为是最有效的，将解混矩阵精简为W_d，此时独立分量表示为然后计算统计量

最后应用核密度估计法选取正常模式下，占据密度函数99％面积的点作为控制限；

每个子块被视为朴素贝叶斯模型的一个属性A_j(1≤j≤b)，对于一个样本x，如果子块s_j上的I²超限，则a_j赋值为1，否则赋值为0；对于整个训练集，由下式计算条件概率：

其中n为样本总数，n_j是第j个属性A_j的可取值数，c_i是第i个训练样本的类标，a_ij是第i个训练样本的第j个属性值，δ(·)为二值函数，两个参数相等时值为1，否则为0；

先验概率由下式求得：

其中l是故障类别数；

3)故障分类过程中，采用类特定的属性加权朴素贝叶斯方法CAWNB进行故障分类，其中，对每一类的属性权值是不同的，给定一个测试样本x，CAWNB采用以下公式计算后验概率：

其中，w是类特定的属性权值矩阵，w_c，j是类标为c的第j个属性A_j的权值，先验概率和条件概率

由上一步的公式求取，然后由下式预测测试样本的故障类型：

类特定的属性权值矩阵w通过优化最小均方误差目标函数求取：

其中，P(c|x_i)当c＝c_i赋值为1，否则为0；通过BFGS方法解决优化问题，需要MSE(w)对w的梯度函数：

其中，c_i是第i个训练样本的类标。

本发明所取得的技术优势：

(1)本发明在分布式监控中，根据系统流程图中不同的生产单元对系统关键变量进行划分，一方面避免了集中式多变量统计监控模型中，变量规模过大影响监控性能的情况；另一方面，根据生产单元划分，将异常位置具体化，使包含异常的子块的特征更明显，对故障表征更准确，提高分类器划分故障的精度。同时，本发明充分考虑了化工过程测量变量的自相关性和过程数据的非高斯性，采用DICA进行过程监控，更有效地提取特征，取得了良好的监控表现。

(2)本发明将每个子块视为一个朴素贝叶斯分类模型的独立属性，并根据监控结果二值化赋值，然后应用朴素贝叶斯模型进行分类。考虑到各子块间并不是严格相互独立的，采用了改进的加权朴素贝叶斯方法CAWNB，通过优化最小化均方误差目标函数确定权值，选择最大化后验概率的类别作为分类结果。这种方法建模简单，易于理解；除了是否发生异常，能够在监控中确定故障类型，为操作员提供更多信息，为故障诊断与分布式监控提供了新思路。

附图说明

图1为化工生产系统工艺流程图；

图2为复杂化工生产过程的分布式监控与故障诊断方法的算法流程图；

图3为复杂化工生产过程的分布式监控与故障诊断方法实施后得到的诊断结果图。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合实施例对本发明提供的一种复杂化工生产过程的分布式监控与故障诊断方法进行详细描述。以下实施例仅用于说明本发明而非用于限制本发明的范围。

实施例1

本发明通过系统流程图中不同生产单元将系统划分为多个子块，避免变量数量过多监控效果不佳，系统流程图如图1所示。考虑到数据的非高斯性和变量的自相关性，在每个子块中应用DICA实现分布式监控，提升监控表现；然后通过将监控结果二值化，应用改进的类特定的属性加权的朴素贝叶斯分类模型对异常进行分类。本发明可以实现对化工生产过程中异常的精准识别和判断，为操作员提供可靠的参考，保障生产安全。

本发明的算法流程图如图2所示，具体实施方式如下：

(1)假设系统流程图中主要有b个生产单元，则根据流程图和简单的常识性知识，可将系统变量S∈R^1×V可划分为S＝{s₁，s₂，...，s_b}共b个子块，其中V表示系统关键变量的个数。

(2)划分子块后对于每一个子块的训练数据集，应用数据矩阵增强技术，即使用先前τ个观测向量扩充当前的观测矢量。则观测矩阵X＝[x(1)x(2)…x(n)]可表示为

在过程监控中，τ通常取值为τ∈{1，2，3}最有效，本发明的实验中τ取值为2。

(3)为表述方便，假设X∈R^m×n为原数据的数据增强矩阵，n为样本数，m为变量数。ICA将观测数据视为m个未知独立成分S∈R^m×n的线性组合，即X＝AS，其中A∈R^m×m是混合矩阵。ICA的目的就是通过数据矩阵X求取解混矩阵W，进而得出独立成分矩阵

本发明通过FastICA算法求取解混矩阵。首先将数据矩阵进行白化Z＝QX，其中Q＝∧^-1/2U^T是白化矩阵，可以通过X的协方差矩阵的特征分解

得到，其中∧是特征值的对角矩阵，U是特征向量矩阵。白化后的矩阵Z可以表示为

其中B是正交矩阵，通过FastICA以最大化各分量非高斯性迭代求取。则独立分量可表示为解混矩阵W＝B^TQ。

(4)为了加强监控抗干扰性并降低分析复杂度，需要选取包含主要特征的部分分量，在解混矩阵W中，具有最大L₂范数的几行被认为是最有效的。故将解混矩阵精简为W_d，此时独立分量可表示为

然后计算I²统计量

最后应用核密度估计(Kernel Density Estimation，KDE)方法选取正常模式下，占据

密度函数99％面积的点作为控制限。

(⁵)每个子块可以被视为朴素贝叶斯模型的一个属性A_j(1≤j≤^b)。对于一个样本x，如果子块s_j上的I²超限，则a_j赋值为1，否则赋值为0。对于整个训练集，可由下式计算条件概率：

其中n为样本总数，n_j是第j个属性A_j的可取值数，c_i是第i个训练样本的类标，a_ij是第i个训练样本的第j个属性值，δ(·)为二值函数，两个参数相等时值为1，否则为0。另外，先验概率可由下式求得：

其中l是故障类别数。

(6)本发明采用类特定的属性加权朴素贝叶斯方法(CAWNB)进行故障分类，即对每一类来说属性权值应该是不同的。给定一个测试样本x，CAWNB采用以下公式计算后验概率：

其中，w是类特定的属性权值矩阵，w_c，j是类标为c的第j个属性A_j的权值，先验概率

和条件概率由上一步的公式求取。然后由下式预测测试样本的故障类型：

(7)类特定的属性权值矩阵w，是通过优化最小均方误差目标函数求取的：

其中，P(c|x_i)当c＝c_i赋值为1，否则为0。解决优化问题采用的是BFGS方法，因此还需要MSE(w)对w的梯度函数：

其中c_i是第i个训练样本的类标。

本发明改善了由于系统中的变量数量过多、相互耦合、具有自相关性且流程工业数据不满足高斯假设造成的监控性能不佳的状况；通过将各子块监控结果二值化并应用改进的加权朴素贝叶斯方法CAWNB划分故障类型，诊断精度高，除是否发生异常外还可以识别故障类型，提高了分布式故障监控的性能，可为操作人员提供可靠的参考。

上面结合实施例对本发明的实例作了详细说明，但是本发明并不限于上述实例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出的各种变化，也应视为本发明的保护范围。

Claims (3)

1.一种复杂化工生产过程的分布式监控与故障诊断方法，其特征在于，首先通过在基于流程图划分的子块中应用DICA方法实施分布式监控，然后通过将各子块监控结果二值化并应改进的加权朴素贝叶斯方法CAWNB划分故障类型。

2.根据权利要求1所述的复杂化工生产过程的分布式监控与故障诊断方法，其特征在于，具体包括以下过程：

1)子块划分过程：根据生产单元将最具有表征性的系统变量划分为不同的子块，每个子块在朴素贝叶斯模型中被视为一个独立属性；

2)监控过程：将观测的数据矩阵拓展为具有时滞变量的动态增强矩阵，然后对于每个子块的数据应用FastICA算法计算独立成分并计算统计量I²和控制限，最后根据每个子块的I²统计量超限与否为子块的属性赋值1或0；

3)故障分类过程：根据训练集的监控结果得到条件概率，然后通过优化最小化均方误差的目标函数确定属性权值，最后使用加权过的条件概率计算后验概率，选择最大化后验概率的类别作为分类结果。

3.根据权利要求2所述的复杂化工生产过程的分布式监控与故障诊断方法，其特征在于，

1)子块划分过程中，系统变量S∈R^1×V划分为S＝{s₁，s₂，...，s_b}共b个子块，其中V表示系统关键变量的个数；

2)监控过程中，对于每一个子块的训练数据集应用数据矩阵增强技术，即使用先前τ个观测向量扩充当前的观测矢量，观测矩阵X＝[x(1)x(2)…x(n)]表示为：

其中，τ∈{1，2，3}；

X∈R^m×n为原数据的数据增强矩阵，n为样本数，m为变量数，观测数据为m个未知独立成分S∈R^m×n的线性组合，即X＝AS，其中A∈R^m×m是混合矩阵，通过FastICA算法以数据矩阵X求取解混矩阵W，进而得出独立成分矩阵

过程如下：

首先将数据矩阵进行白化Z＝qX，其中Q＝∧^-1/²U^T是白化矩阵，通过X的协方差矩阵的特征分解

得到，∧是特征值的对角矩阵，U是特征向量矩阵；白化后的矩阵

其中B是正交矩阵，通过FastICA以最大化各分量非高斯性迭代求取，则独立分量表示为

解混矩阵W＝B^Tq；

选取包含主要特征的部分分量：在解混矩阵W中，具有最大L₂范数的行被认为是最有效的，将解混矩阵精简为W_d，此时独立分量表示为

然后计算统计量

最后应用核密度估计法选取正常模式下，占据密度函数99％面积的点作为控制限；

每个子块被视为朴素贝叶斯模型的一个属性A_j(1≤j≤b)，对于一个样本x，如果子块s_j上的I²超限，则a_j赋值为1，否则赋值为0；对于整个训练集，由下式计算条件概率：

其中n为样本总数，n_j是第j个属性A_j的可取值数，c_i是第i个训练样本的类标，a_ij是第i个训练样本的第j个属性值，δ(·)为二值函数，两个参数相等时值为1，否则为0；

先验概率由下式求得：

其中l是故障类别数；

3)故障分类过程中，采用类特定的属性加权朴素贝叶斯方法CAWNB进行故障分类，其中，对每一类的属性权值是不同的，给定一个测试样本x，CAWNB采用以下公式计算后验概率：

其中，w是类特定的属性权值矩阵，w_c，j是类标为c的第j个属性A_j的权值，先验概率和条件概率

由上一步的公式求取，然后由下式预测测试样本的故障类型：

类特定的属性权值矩阵w通过优化最小均方误差目标函数求取：

其中，P(c|x_i)当c＝c_i赋值为1，否则为0；通过BFGS方法解决优化问题，需要MSE(w)对w的梯度函数：

其中，c_i是第i个训练样本的类标。

Images