CN110716534A - 一种基于自整定变分模态分解的工业过程振荡检测方法 - Google Patents
一种基于自整定变分模态分解的工业过程振荡检测方法 Download PDFInfo
- Publication number
- CN110716534A CN110716534A CN201911053632.3A CN201911053632A CN110716534A CN 110716534 A CN110716534 A CN 110716534A CN 201911053632 A CN201911053632 A CN 201911053632A CN 110716534 A CN110716534 A CN 110716534A
- Authority
- CN
- China
- Prior art keywords
- self
- tuning
- mode
- decomposition
- variational modal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 59
- 230000010355 oscillation Effects 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 102100024210 CD166 antigen Human genes 0.000 description 2
- 101000980840 Homo sapiens CD166 antigen Proteins 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于自整定变分模态分解的工业过程振荡检测方法,包括:(1)采集一组待检测工业过程的回路输出信号;(2)用自整定变分模态分解对回路输出信号进行分解后得到若干个模态;(3)计算分解所得模态的稀疏指数,若存在模态的稀疏指数大于预设值,则判断模态存在振荡。利用本发明,可以提高工业过程的控制回路的振荡检测准确度和可靠性,为性能评估和故障诊断提供数据支持,为后续的多回路振荡检测工作奠定基础。
Description
技术领域
本发明属于工业控制系统中的性能评估与故障诊断领域,尤其是涉及一种基于自整定变分模态分解的工业过程振荡检测方法。
背景技术
随着工业控制回路的故障诊断与性能评估技术的迅速发展,振荡检测成为了控制回路的故障诊断的主要任务之一。由于控制系统回路之间的连接与耦合,在某一个回路中产生的振荡通常会传播到其他的回路。这些振荡会造成能量损耗、原材料浪费和产品质量下降等问题。阀门黏滞、控制器失调以及外部扰动是造成振荡的三个主要原因。
传统的振荡检测方法,例如基于过零点的振荡检测方法、基于协方差函数的振荡检测方法等,虽然简洁易于实施,但不能处理强噪声、非线性、非平稳信号,因此在实际使用中存在局限性。
近年来,信号分解技术发展迅猛,把这些新的信号处理技术用于处理工业控制系统数据的研究方兴未艾。Srinivasan等人首先使用EMD技术对工业控制回路中的振荡进行了检测。接着有许多类似的技术被开发出来,如Guo等人提出的基于ITD的时变振荡在线检测方法、Xie等人提出的基于LMD和Lempel–Ziv复杂度的振荡检测器以及Aftab等人提出的基于MEMD的非线性振荡检测方法等。
变分模态分解(VMD)是一种新的信号分解技术,能够将一个多分量输入信号分解成K个模态,并得到这些模态的中心频率。与传统的EMD、ITD、LMD等方法相比,变分模态分解方法具有数学基础完备、不易受端点效应和模态混叠的影响、能够直接得到各个模态的频率且分解精度高等优势。但是基本的变分模态存在分解效果严重依赖于模态数量K和滤波器带宽参数α的问题,目前的研究较多是使用迭代或者群体智能寻优的方法去选择参数。
发明内容
本发明提供了一种基于自整定变分模态分解的工业过程振荡检测方法,检测精度高,只需要获取常规运行数据,无需过程机理知识。
本发明的技术方案如下:
一种基于自整定变分模态分解的工业过程振荡检测方法,其特征在于,包括:
(1)采集一组待检测工业过程的回路输出信号;
(2)用自整定变分模态分解对回路输出信号进行分解后得到若干个模态,所述自整定变分模态分解的目标函数为:
(3)计算分解所得模态的稀疏指数,若存在模态的稀疏指数大于预设值,则判断模态存在振荡。
本发明的方法克服了基本变分模态分解的分解效果严重依赖于模态数量K和滤波器带宽参数α的问题,并通过检测自整定变分模态分解所得的模态的稀疏指数来判断控制回路与是否存在振荡。本发明可以提高工业过程的控制回路的振荡检测准确度和可靠性,为性能评估和故障诊断提供数据支持,为后续的多回路振荡检测工作奠定基础。
本发明直接采用化工过程的可测变量作为过程输出信号,所有待检测过程输出信号x(t)均通过现场实时采集获得。
步骤(1)中,采集过程为:在预设的每个采样间隔内记录下待检测的控制回路中的过程数据,且每个采样间隔内采集到的过程数据都添加在先前所采集的过程数据末端。
步骤(2)中,用自整定变分模态分解对回路输出信号进行分解的过程如下:
(2-1)给定滤波器带宽参数α的初值和收敛阈值ε,可以给定滤波器带宽参数α的初值为1000,收敛阈值ε=10-8。令k=1,其中,是x(t)的频谱,这里用表示而不是表示是为了步骤(2-2)里面公式的统一表示。可以这么理解,r表示余量,那么当我第一次开始提取模态的时候,余量就是原始信号所以就是
(2-2)根据自整定变分模态分解的模态更新公式更新模态,公式如下:
(2-3)根据自整定变分模态分解的中心频率的更新公式更新中心频率,公式如下:
其中,表示ωk的第n+1次迭代;
(2-4)根据自整定变分模态分解的滤波器带宽参数的更新公式更新滤波器带宽参数
其中,αn+1表示α的第n+1次迭代;
步骤(3)中,计算分解所得模态的稀疏指数公式为:
所述的预设值为0.58,若存在模态的稀疏指数SIk大于0.58,则判断该模态存在振荡。
与现有技术相比,本发明具有以下有益效果:
1、本发明采集信号时无需外部附加信号激励,也不会对控制系统引入附加扰动,能够实现非侵入式的检测与诊断。
2、本发明中自整定变分模态分解方法克服了基本变分模态分解方法的模态数量K和滤波器带宽参数α的整定问题。
3、本发明所提出的基于自整定变分模态分解的工业过程振荡检测方法,能够直接得到较为精确的振荡频率,而不只是一个频率范围。
4、本发明的检测方法,在分解振荡信号时,产生的冗余分量和错误分量与EMD、MEMD等方法相比都要少得多,降低了排除冗余分量和错误分量的误判率。
5、本发明完全采用数据驱动型的方法,无需过程先验知识,也不需要进行人工干预。
附图说明
图1为本发明一种基于自整定变分模态分解的工业过程振荡检测方法的流程示意图;
图2为本发明实施例采集的待检测控制回路过程输出信号图;
图3为本发明实施例中过程输出信号的频谱图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
下面以某化工流量控制回路为例,对存在阀门黏滞的化工过程振荡检测方法做详细描述。对于该回路,先验地已知系统存在由阀门黏滞引起的振荡,数据来源于“Jelali M,Huang B.Detection and Diagnosis of Stiction in Control Loops:State of the Artand Advanced Methods[M].Springer London,2009.”一书中的第23个化工回路,即chemical.loop23.PV。
如图1所示,一种基于自整定变分模态分解的工业过程振荡检测方法,包括:
步骤1,采集的待检测控制回路过程输出信号。
采集过程输出信号的方法为:在预设的每个采样间隔内记录下待检测的控制回路中的过程数据,且每个采样间隔内采集到的过程数据都添加在先前所采集的过程数据末端。
采样间隔是指性能评估系统的采样间隔。过程数据随着时间推移不断更新,每经过一个采样间隔的时间长度,均有新的过程数据添加到先前采集的过程数据的末端。性能评估系统的采样间隔一般与工业控制系统中的控制周期相同,也可以选择为控制周期的整数倍,具体根据性能监控和工业现场的实时性要求和数据存储量限制来确定。
本实施例所采集的过程输出信号的原始数据如图2所示,图2中横坐标为时间,单位为秒,纵坐标为流量。
步骤2,用自整定变分模态分解对信号进行分解。分解原理如下:
(2-1)自整定变分模态分解的目标函数
其中,x(t)是回路输出信号,uk(t)是当前要提取的模态,ωk是模态的中心频率,α是滤波器带宽参数;
(2-3)根据自整定变分模态分解的模态更新公式更新模态
其中,是uk(t)的频谱;
(2-4)根据自整定变分模态分解的中心频率的更新公式更新中心频率
(2-5)根据自整定变分模态分解的滤波器带宽参数的更新公式更新滤波器带宽参数
分解所得的模态如图3所示,自整定变分模式分解一共提取出了两个模态。
本实施例中,基本的变分模式分解(variational mode decomposition)是依据“Dragomiretskiy K,Zosso D.Variational mode decomposition[J].IEEE transactionson signal processing,2013,62(3):531-544.”所实施的。
步骤3,计算分解所得模态的稀疏指数,用于判断模态是否振荡。
表1展示了所得模态的中心频率和相应的稀疏指数,显然,这个回路存在着两个频率成分的振荡,振荡频率分别为0.0009Hz和0.0024Hz。
表1
模态 | 中心频率 | 稀疏指数 |
模态1 | 0.0009Hz | 0.9973 |
模态2 | 0.0024Hz | 0.9965 |
本发明的方法克服了基本变分模态分解的分解效果严重依赖于模态数量K和滤波器带宽参数α的问题,并通过检测自整定变分模态分解所得的模态的稀疏指数来判断控制回路与是否存在振荡。本发明可以提高工业过程的控制回路的振荡检测准确度和可靠性,为性能评估和故障诊断提供数据支持,为后续的多回路振荡检测工作奠定基础。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (6)
2.根据权利要求1所述的基于自整定变分模态分解的工业过程振荡检测方法,其特征在于,步骤(1)中,采集过程为:在预设的每个采样间隔内记录下待检测的控制回路中的过程数据,且每个采样间隔内采集到的过程数据都添加在先前所采集的过程数据末端。
3.根据权利要求1所述的基于自整定变分模态分解的工业过程振荡检测方法,其特征在于,步骤(2)中,用自整定变分模态分解对回路输出信号进行分解的过程如下:
(2-2)根据自整定变分模态分解的模态更新公式更新模态,公式如下:
(2-3)根据自整定变分模态分解的中心频率的更新公式更新中心频率,公式如下:
(2-4)根据自整定变分模态分解的滤波器带宽参数的更新公式更新滤波器带宽参数
其中,αn+1表示α的第n+1次迭代;
4.根据权利要求3所述的基于自整定变分模态分解的工业过程振荡检测方法,其特征在于,步骤(2-1)中,给定滤波器带宽参数α的初值为1000,收敛阈值ε=10-8。
6.根据权利要求5所述的基于自整定变分模态分解的工业过程振荡检测方法,步骤(3)中,所述的预设值为0.58,若存在模态的稀疏指数SIk大于0.58,则判断该模态存在振荡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911053632.3A CN110716534B (zh) | 2019-10-31 | 2019-10-31 | 一种基于自整定变分模态分解的工业过程振荡检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911053632.3A CN110716534B (zh) | 2019-10-31 | 2019-10-31 | 一种基于自整定变分模态分解的工业过程振荡检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110716534A true CN110716534A (zh) | 2020-01-21 |
CN110716534B CN110716534B (zh) | 2021-04-06 |
Family
ID=69213645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911053632.3A Active CN110716534B (zh) | 2019-10-31 | 2019-10-31 | 一种基于自整定变分模态分解的工业过程振荡检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110716534B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925290A (zh) * | 2021-01-22 | 2021-06-08 | 浙江大学 | 一种基于多变量本征chirp模态分解的厂级振荡检测方法 |
CN113589795A (zh) * | 2021-08-02 | 2021-11-02 | 湖州师范学院 | 一种基于智能寻优的非线性啁啾模态分解算法的多重振荡检测方法 |
CN118245722A (zh) * | 2024-05-21 | 2024-06-25 | 云南大学 | 一种工业多回路振荡检测方法、装置、介质及产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446829A (zh) * | 2016-09-22 | 2017-02-22 | 三峡大学 | 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 |
US20170116155A1 (en) * | 2015-10-22 | 2017-04-27 | National Central University | System and method of conjugate adaptive conjugate masking empirical mode decomposition |
CN108830128A (zh) * | 2018-03-28 | 2018-11-16 | 中南大学 | 基于类噪声信号vmd分解的电力系统低频振荡模态辨识方法 |
CN109542089A (zh) * | 2018-12-21 | 2019-03-29 | 浙江大学 | 一种基于改进变分模态分解的工业过程非线性振荡检测方法 |
CN110111015A (zh) * | 2019-05-13 | 2019-08-09 | 中南大学 | 一种基于变分模态分解多尺度排列熵的电能质量分析方法 |
-
2019
- 2019-10-31 CN CN201911053632.3A patent/CN110716534B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170116155A1 (en) * | 2015-10-22 | 2017-04-27 | National Central University | System and method of conjugate adaptive conjugate masking empirical mode decomposition |
CN106446829A (zh) * | 2016-09-22 | 2017-02-22 | 三峡大学 | 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 |
CN108830128A (zh) * | 2018-03-28 | 2018-11-16 | 中南大学 | 基于类噪声信号vmd分解的电力系统低频振荡模态辨识方法 |
CN109542089A (zh) * | 2018-12-21 | 2019-03-29 | 浙江大学 | 一种基于改进变分模态分解的工业过程非线性振荡检测方法 |
CN110111015A (zh) * | 2019-05-13 | 2019-08-09 | 中南大学 | 一种基于变分模态分解多尺度排列熵的电能质量分析方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925290A (zh) * | 2021-01-22 | 2021-06-08 | 浙江大学 | 一种基于多变量本征chirp模态分解的厂级振荡检测方法 |
CN113589795A (zh) * | 2021-08-02 | 2021-11-02 | 湖州师范学院 | 一种基于智能寻优的非线性啁啾模态分解算法的多重振荡检测方法 |
CN118245722A (zh) * | 2024-05-21 | 2024-06-25 | 云南大学 | 一种工业多回路振荡检测方法、装置、介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN110716534B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110716534B (zh) | 一种基于自整定变分模态分解的工业过程振荡检测方法 | |
CN109542089B (zh) | 一种基于改进变分模态分解的工业过程非线性振荡检测方法 | |
Dambros et al. | Oscillation detection in process industries–Part I: Review of the detection methods | |
US11630034B2 (en) | Method for diagnosing and predicting operation conditions of large-scale equipment based on feature fusion and conversion | |
CN103970092B (zh) | 一种基于自适应fcm的多阶段发酵过程故障监测方法 | |
CN106647691B (zh) | 一种工业过程多回路振荡提取与检测方法 | |
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN108647807B (zh) | 河流流量的预测方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN102722102B (zh) | 基于误差分析的h∞反馈与迭代学习协调控制方法 | |
CN111538309B (zh) | 一种基于多变量非线性调频模态分解的工业过程厂级振荡检测方法 | |
CN113537328A (zh) | 一种基于深度学习的旋转机械故障诊断方法和装置 | |
CN110687791B (zh) | 一种基于改进自适应调频模态分解的非线性振荡检测方法 | |
CH709087A2 (de) | Verfahren und Systeme zur Überwachung der Funktionstüchtigkeit von Laufschaufeln. | |
Guo et al. | Online detection of time-variant oscillations based on improved ITD | |
DE102016117944A1 (de) | Servosteuerungssystem mit Funktion zum Messen einer Eigenschaft einer lernenden Steuerung | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN116861313B (zh) | 基于振动能量趋势的卡尔曼滤波工况识别方法、系统 | |
CN112925290A (zh) | 一种基于多变量本征chirp模态分解的厂级振荡检测方法 | |
Liu et al. | Research on fault diagnosis of planetary gearbox based on variable multi-scale morphological filtering and improved symbol dynamic entropy | |
CN108646573B (zh) | 一种数据驱动的闭环系统稳定裕度确定方法 | |
CN104713730A (zh) | 一种根据振动信号确定飞机发动机退化率的方法 | |
Wardana | A method for detecting the oscillation in control loops based on variational mode decomposition | |
CN117272055A (zh) | 一种基于滤波增强自编码器的电能表异常检测方法及装置 | |
CN105607477A (zh) | 一种基于改进局部均值分解的工业控制回路振荡检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |