CN111208802A - 控制系统前端冗余智能诊断方法和系统及存储器和控制器 - Google Patents
控制系统前端冗余智能诊断方法和系统及存储器和控制器 Download PDFInfo
- Publication number
- CN111208802A CN111208802A CN202010048086.0A CN202010048086A CN111208802A CN 111208802 A CN111208802 A CN 111208802A CN 202010048086 A CN202010048086 A CN 202010048086A CN 111208802 A CN111208802 A CN 111208802A
- Authority
- CN
- China
- Prior art keywords
- redundant
- fault
- signal
- output
- model
- 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.)
- Pending
Links
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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种控制系统前端冗余智能诊断方法和系统及存储器和控制器。该控制系统前端冗余智能诊断系统包括超限判断模型、小波变换诊断模型、偏差运算判断模型、工艺变量神经网络学习模型以及故障输出选择模型,通过各个模型层层筛选出两个冗余传感器的冗余控制信号Ira、Irb中的故障信号,输出正常信号。本发明实现控制系统前端冗余传感器的故障诊断,防止前端异常信号输入至控制系统,避免工艺系统的非正常扰动。
Description
技术领域
本发明涉及系统控制领域,更具体地说,涉及一种控制系统前端冗余智能诊断方法和系统及存储器和控制器。
背景技术
现有控制系统的控制器在设计上基本实现冗余原则,这极大提升控制系统中间环节的可靠性。但控制前端传感器及控制后端的执行机构依旧为控制系统薄弱环节之一,根据故障概率安全分析法属于重要敏感环节。常由于前端故障或者信号异常及后端执行机构的动作异常导致控制系统出现扰动或者瞬态。特别是对于可靠性要求高的应用场合,如何实现既能有效实现前端传感器的故障和信号异常智能诊断,避免由于故障导致控制系统异常响应,同时保证控制系统在瞬态过程中正常响应工艺系统的过程变化,显得尤为重要。现有的前端设计能实现简单的故障判断,但对于隐蔽性故障或者信号异常,不能有效判断识别。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种控制系统前端冗余智能诊断方法和系统及存储器和控制器。
本发明解决其技术问题所采用的技术方案是:构造一种控制系统前端冗余智能诊断方法,包括:
S1、使用量程区间筛选冗余控制信号Ira、Irb,若冗余控制信号Ira、Irb在量程区间外则认为冗余传感器出现故障,若冗余控制信号Ira、Irb在量程区间内则进入步骤S2,其中冗余控制信号Ira、Irb为两个冗余传感器的对应信号;
S2、通过小波变换分解冗余控制信号Ira、Irb得到高频信号的局部极大值点对应的系统状态的突变点,若突变点不在阈值范围内则认为冗余传感器出现故障,若突变点在阈值范围内则进入步骤S3;
S3、确定冗余控制信号Ira、Irb的偏差绝对值是否超出偏差阈值,若冗余控制信号Ira、Irb的偏差绝对值大于偏差阈值,则两个冗余传感器中其一个出现异常;
S4、经训练的神经网络模型利用工艺系统相关量估计冗余控制信号Ira、Irb的模拟输出量,通过模拟输出量和冗余控制信号Ira、Irb的比较判断出冗余传感器是否发生故障;
S5、根据冗余传感器的故障数量进行选择输出。
进一步,在本发明所述的控制系统前端冗余智能诊断方法中,所述步骤S1包括:设置所述量程区间的超限判断值:上限值IU和下限值IL;
若Ira/Irb>IU或Ira/Irb<IL,则冗余传感器发生故障。
进一步,在本发明所述的控制系统前端冗余智能诊断方法中,所述量程区间包括正常运行区间、保护运作区间、超限运行区间,其中所述保护运作区间包含所述正常运行区间,所述超限运行区间包含所述保护运作区间;所述超限运行区间的上限值为IU,下限值为IL。
进一步,在本发明所述的控制系统前端冗余智能诊断方法中,所述步骤S2包括:
冗余控制信号Ira、Irb的对应表示为冗余控制信号Ira(x)、Irb(x),将冗余控制信号Ira(x)、Irb(x)投影在时域与频域的变换方法,采用改变时间-频率窗口的形式,通过小波分解得到的高频信号的局部极大值点对应于系统状态的突变点;
根据冗余控制信号Ira(x)、Irb(x)建立小波变换基本形式:
对于Ira(x)、Irb(x),下面用f(x)表示,表达成卷积的形式为:
对于f(x),找到函数θ(x),使得其导函数是小波基函数;
再令θs(x)=(1/s)θ(x/s),则有
根据系统特点选择合适的小波基函数对冗余传感器信号进行小波分解,并检测经过小波变换后信号的局部极大值,进而检测到冗余传感器信号的突变点;对控制系统前端冗余信号Ira(x)、Irb(x)进行小波分解,得到分解后的信号Dia、Dib,设定上/下判断阈值Icc、Idd;
若Dia/Dib>Icc、Dia/Dib<Idd,冗余传感器发生故障。
进一步,在本发明所述的控制系统前端冗余智能诊断方法中,所述步骤S3包括:
确定冗余控制信号Ira、Irb的偏差绝对值是否超出偏差阈值,若冗余控制信号Ira、Irb的偏差绝对值大于偏差阈值,则两个冗余传感器中其一个出现异常,判断逻辑为:
若|Ira-Irb|>Ica
其中判断设置冗余交叉验证的偏差阈值Ica,偏差阈值Ica的制定基于高斯概率分布,冗余交叉验证偏差阈值计算如下式:
Ica=[δ(FS)/ε(t)-X]*ε(t)
其中,δ(FS)为冗余传感器功能允许误差;ε(t)为参考传感器的不确定度;X为决定于冗余传感器数目r的系数,表征失效探测的成功率,失效探测成功率系数X的计算公式:
进一步,在本发明所述的控制系统前端冗余智能诊断方法中,所述步骤S4中神经网络模型采用BP神经网络,通过工艺系统相关量作为训练样本输入,待诊断的冗余传感器作为训练样本输出来模拟输入量与输出量之间的函数关系;其中工艺系统相关量为系统中与冗余控制信号Ira、Irb存在相关性的物理量。
进一步,在本发明所述的控制系统前端冗余智能诊断方法中,所述BP神经网络的训练过程为:
假设冗余控制信号Ira、Irb为待诊断的冗余传感器,将工艺系统相关量Ipa、Ipb、…、Ipz作为神经网络模型的输入,待诊断的冗余传感器Ira、Irb作为输出;以工艺系统相关量传感器及待诊断的冗余传感器在正常状态下的数据作为训练样本进行训练,建立神经网络模型,得到神经网络模拟输出信号In。
进一步,在本发明所述的控制系统前端冗余智能诊断方法中,所述步骤S5包括:故障输出分为无冗余传感器故障、冗余传感器其一故障、冗余传感器均故障;
若在第一个诊断周期T内冗余传感器出现故障,则立即进入故障输出选择模式;
若在第二个诊断周期T内冗余传感器故障消除,则进入正常模式;
若故障消失后,在第l个诊断周期T内冗余传感器再次出现故障或者故障持续存在大于等于2T,则持续进入故障输出选择模式,直至故障消除或者手动设置。
进一步,在本发明所述的控制系统前端冗余智能诊断方法中,故障输出信号选择如下:
当无冗余传感器故障时,输出量Oco输出为Ira、Irb均值,即Oco=(Ira+Irb)/2;
当冗余传感器其一故障时,自动剔除故障的冗余传感器,输出量Oco输出正常传感器信号:若Irb故障,Oco=Ira;若Ira故障,Oco=Irb;
当冗余传感器均故障时,输出量oco为记忆上一好值,或者输出神经网络模拟输出信号In。
另,本发明还提供一种控制系统前端冗余智能诊断系统,包括超限判断模型、小波变换诊断模型、偏差运算判断模型、工艺变量神经网络学习模型以及故障输出选择模型,其中,
所述超限判断模型用于使用量程区间筛选冗余控制信号Ira、Irb,若冗余控制信号Ira、Irb在量程区间外则认为冗余传感器出现故障,若冗余控制信号Ira、Irb在量程区间内则使用所述小波变换诊断模型进行进一步处理,其中冗余控制信号Ira、Irb为两个冗余传感器的对应信号;
所述小波变换诊断模型用于通过小波变换分解冗余控制信号Ira、Irb得到高频信号的局部极大值点对应的系统状态的突变点,若突变点不在阈值范围内则认为冗余传感器出现故障,若突变点在阈值范围内则使用所述偏差运算判断模型进行进一步处理;
所述偏差运算判断模型用于确定冗余控制信号Ira、Irb的偏差绝对值是否超出偏差阈值,若冗余控制信号Ira、Irb的偏差绝对值大于偏差阈值,则两个冗余传感器中其一个出现异常;
所述工艺变量神经网络学习模型中经训练的神经网络模型利用工艺系统相关量估计冗余控制信号Ira、Irb的模拟输出量,通过模拟输出量和冗余控制信号Ira、Irb的比较判断出冗余传感器是否发生故障;
所述故障输出选择模型根据冗余传感器的故障数量进行选择输出。
另,本发明还提供一种存储器,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的控制系统前端冗余智能诊断方法。
另,本发明还提供一种控制器,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器的计算机程序以实现如上述的控制系统前端冗余智能诊断方法。
实施本发明的一种控制系统前端冗余智能诊断方法和系统及存储器和控制器,具有以下有益效果:本发明实现控制系统前端冗余传感器的故障诊断,防止前端异常信号输入至控制系统,避免工艺系统的非正常扰动。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是控制系统信号流程图;
图2是控制系统前端冗余智能诊断系统的结构示意图;
图3是超限判断模型示意图;
图4基于高斯分布的失效探测率曲线;
图5工艺变量神经网络学习模型;
图6工艺变量神经网络学习模型流程图;
图7A是恒偏差类故障信号数据模型的诊断曲线;
图7B是缓慢变化类故障信号数据模型的诊断曲线;
图7C是快速变化类故障信号数据模型的诊断曲线;
图7D是毛刺变化类故障信号数据模型的诊断曲线;
图7E是无规则变化类故障信号数据模型的诊断曲线;
图7F是卡滞类故障信号数据模型的诊断曲线;
图8A是工艺系统瞬态运行工况下诊断结果;
图8B是真实故障运行工况下诊断结果。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
原理分析
控制系统主要信号流程如图1所示:现场传感器实时监测工艺系统物理过程量信号的变化,输入采集IO卡件(AI卡件)将模拟信号进行数据采集并进行A/D转换,并将信号送入冗余控制器中。信号在控制器中进行信号处理、运算,输出IO卡件(AO卡件)将信号输出至执行机构,进行工艺系统的调节和控制,保证工艺系统在正常设计区间运行。
控制系统中,传感器和AI卡件定义为控制前端,AO卡件和执行机构定义为控制后端。控制前端和控制后端为控制系统的薄弱环节,若控制前端或控制后端出现故障或者异常对控制系统将产生较大的影响,可能导致控制系统无法正常运行,进而导致工艺系统的瞬态或者重大设备停运。控制器普遍采用冗余设置,可以实现故障无扰切换,冗余控制器同时故障的概率极低,可靠性高。在此通过控制前端信号在控制器中进行故障诊断,以保证控制系统在控制前端出现故障的情况下,依旧实现正常的调节功能,使工艺系统运行在合理区间。
为提高控制系统前端的可靠性,建议前端传感器设置采用冗余设计,若传感器故障失效的概率为pF;当冗余数量大于等于r=3时,前端两个传感器同时故障的概率大大降低,故通过冗余传感器两两偏差比较即可对故障传感器进行有效甄别。同时冗余数量m越大对安装成本的投入也会大幅增加,故在此主要讨论控制系统前端冗余设置数量等于r=2情况下的智能诊断。
模型建立:根据工艺系统运行特点,控制前端冗余信号故障智能诊断运算流程如图2所示,主要分为以下子模型:超限判断模型、小波变换诊断模型、偏差运算判断模型、工艺变量神经网络学习模型以及故障输出选择模型。控制前端冗余信号异常智能判断和运算主要的目的是通过冗余信号采集、信号分析处理以及异常信号判断及决策,将异常信号及时剔除,将正确的信号输入至控制系统,保证控制系统安全稳定运行。控制系统前端冗余控制信号分别为Ira、Irb,Oco为输入至控制系统并参与调节的过程量。
控制系统前端冗余信号异常智能诊断算法实现主要分为以下子模型:
算法实现:
超限判断模型:超限判断模型主要实现故障信号的初步诊断。工艺系统运行主要分为几个区间:正常运行区间、保护动作区间、量程超限区间,如图3为工艺系统超限判断模型。正常运行期间:各项参数均在合理区间,系统运行正常。保护动作区间:运行超出合理区间,防止对工艺系统或设备造成损坏,系统进入保护状态,如系统跳闸、停机等。若任意冗余传感器信号进入量程超限区间,则认为传感器出现故障,设置超限判断值:上限值IU和下限值IL。
若Ira/Irb>IU或Ira/Irb<IL传感器发生故障;
小波变换诊断模型:小波变换诊断模型将控制系统前端冗余信号Ira(x)、Irb(x)投影在时域与频域的变换方法,采用改变时间-频率窗口的形式,以小波分解为基础,通过小波分解得到的高频信号的局部极大值点对应于系统状态的突变点,进而检测出可能故障的传感器。
根据控制系统前端冗余信号Ira(x)、Irb(x),建立小波变换基本形式:
对于Ira(x)、Irb(x),下面用f(x)表示。
表达成卷积的形式为:
对于f(x),可以找到函数θ(x),使得其导函数是小波基函数,
再令θs(x)=(1/s)θ(x/s),则有
根据工艺系统特点选择合适的小波基函数对传感器信号进行小波分解,并检测经过小波变换后信号的局部极大值,便可以检测到传感器信号的突变点。对控制系统前端冗余信号Ira(x)、Irb(x)进行小波分解,得到分解后的信号Dia、Dib,设定上/下判断阈值Icc、Idd,一旦当诊断周期内的Dia、Dib值大于阈值Icc或小于阈值Idd,则将其判定为传感器故障:
若Dia/Dib>Icc、Dia/Dib<Idd,传感器发生故障;
小波变换诊断模型主要诊断故障造成传感器信号有较明显变化时的异常,如卡滞类故障信号、无规则变化类故障信号等。
偏差运算判断模型:参考图4,控制系统前端传感器冗余设置,正常运行工况下,虽存在布置、特性差异,但是测量结果理论是一致的,若两者存在较大偏差,则大概率事件其一出现故障。偏差运算判断模型主要的目的是确定冗余传感器是否超出偏差异常判断的阈值,当冗余传感器偏差绝对值大于设定的偏差阈值,则认为冗余传感器中其一出现了异常,判断逻辑:
若|Ira-Irb|>Ica其中一个传感器发生故障;
判断设置冗余交叉验证的失效准则Ica,失效准则Ica的制定基于高斯概率分布,冗余交叉验证失效准则计算如下式:
Ica=[δ(FS)/ε(t)-X]*ε(t)
其中,δ(FS)为传感器功能允许误差;ε(t):参考传感器的不确定度;X决定于冗余传感器数目r的系数,表征失效探测的成功率,95%以上失效探测成功率系数X的计算公式:
偏差运算判断模型智能判断冗余传感器其一出现了异常,但无法具体诊断哪一传感器出现了异常,进一步锁定异常传感器通过工艺变量神经网络学习模型实现。
工艺变量神经网络学习模型:工艺系统正常运行时,具有较多变量如压力、温度、流量、液位、振动、位移、差压等。如果控制系统冗余前端控制信号Ira、Irb与工艺系统中其他变量Ipa、Ipb、…、Ipz存在相关性,则将Ipa、Ipb、…、Ipz称为工艺系统物理相关量。相关量关系的建立主要根据工艺变量之间的物理联系,比如能量守恒、质量守恒、物理信号传递等。工艺系统实际状态的变化,体现在工艺系统物理相关量也存在相应的变化。常见的有质量守恒定律,其总量不变,当某一量变化时,其他量也会有对应变化,即可以通过反算法得到需要判断量的变化趋势及变化量。比如蒸汽发生器主蒸汽流量主要跟蒸汽发生器主给水流量和蒸发器液位相关,求主蒸汽流量可以通过给水流量加上蒸汽发生器液位的变化换算。
工艺变量神经网络学习模型采用BP神经网络,通过工艺系统相关量作为训练样本输入,待诊断的传感器作为训练样本输出,来模拟输入量与输出量之间的函数关系。假设Ira、Irb为待诊断的传感器,将工艺系统物理相关量Ipa、Ipb、…、Ipz作为神经网络模型的输入,待诊断的传感器Ira、Irb作为输出。以工艺系统物理相关量传感器及待诊断的传感器在正常状态下的数据作为训练样本进行训练,建立神经网络模型,得到神经网络模拟输出信号In,如图5所示,其中图5中:
Ipj表示输入层第j个节点的输入,j=1,...,z;Wij表示隐含层第i个节点到输入层第j个节点之间的权值;
Ki表示隐含层第i个节点的阈值,i=1,...,n;
W表示隐含层的激励函数;
Wni表示输出层到隐含层第i个节点之间的权值,i=1,...,n;
an表示输出层的阈值;
N表示输出层激励函数;
In表示输出层的输出。
前向传播时,输入信号Ipa、Ipb、…、Ipz直接从输入层输入,与权重矩阵进行加权求和得到一个值,再将这个值用隐含层激励函数计算,得到隐含层的各个节点的输出值,如此一层层向后传递下去,直到传递到输出层,由隐含层得到的输出值用输出层的激励函数计算,最终得到输出结果In。若实际输出In与期望输出Ira、Irb不符,则转入误差的反向传播过程。
反向传播时,通过输出层的值来计算误差(神经网络模拟输出信号In与期望输出Ira、Irb分别计算误差),然后根据误差梯度下降法来调节各层的权值和阈值,使修改后的网络的最终输出能接近期望值。具体计算过程如图6所示,ε为要求精度。
通过已训练好的神经网络模型,利用工艺系统相关量Ipa、Ipb、…、Ipz估计待诊断传感器Ira、Irb的模拟输出In。将待诊断传感器Ira、Irb与模拟输出In进行比较,便可以判断该传感器是否发生故障,判断逻辑:
若|Ira-In|>Icb或|Irb-In|>Icb,传感器发生故障
在神经网络的判断过程中,阈值Icb需要根据不同变量的特点进行确定,它会影响检测结果。阈值过大,会减少误报率,但漏报率升高;阈值过小,会减少漏报率,但误报率升高。
故障输出选择模型:故障输出选择模型的目的是将前端传感器的正确值输入至控制系统,实现工艺系统正常调节。故障输出选择模型为根据冗余传感器故障数量进行选择输出,分为无冗余传感器故障、冗余传感器其一故障、冗余传感器均故障。若在第一个诊断周期T,传感器出现故障,则立即进入故障输出选择模式;若在第二个诊断周期T传感器故障消除,则进入正常模式;若故障消失后,在第l个诊断周期T,再次传感器出现故障或者故障持续存在大于等于2T,则持续进入故障输出选择模式,直至故障消除或者手动设置。
故障输出信号选择如下:
当无冗余传感器故障时,Oco输出为Ira、Irb均值,即Oco=(Ira+lrb)/2;
当冗余传感器其一故障时,自动剔除故障传感器,Oco输出正常传感器信号,即若Irb故障,Oco=Ira;若Ira故障,Oco=Irb。
当冗余传感器均故障时,Oco记忆上一好值,或者输出神经网络模拟输出信号In。
评价指标,对于控制前端信号异常智能诊断设置两项主要评价指标:
快速性:当出现信号异常能够在第一时间判断出信号存在异常,在控制系统将出现较大的扰动情况前做出判断或者剔除。快速性主要针对控制系统的响应时间而言,若控制系统的响应时间Tr,Tr包括信号采集时间Trc、信号处理时间Trd和执行机构响应时间Trz,故障传感器从故障出现至故障诊断及剔除所需时间为Tc,即快速性指标:
Tc<Tr=Trc+Tri+Trz
准确性:诊断方法能够自动识别工艺系统正常响应造成的信号真实波动以及控制前端故障导致的信号异常,防止漏诊断的同时,有效防止误诊断。
准确性指标pc要求故障诊断的准确率趋近于100%即:
pc→100%
基于工艺物理相关量的诊断方法,由于子模型在故障诊断功能上存在一定重叠区,故可实现较高故障诊断准确性。
故障工况仿真验证:为验证模型是否满足评价指标要求:快速性和准确性,使用故障工况信号进行仿真测试,验证方法分为:故障模拟仿真验证和真实工况仿真验证。
故障模拟仿真验证:
故障模拟仿真验证为人为模拟控制系统前端冗余测量可能出现的异常情况。将故障特征进行分类,可以分为:恒偏差类故障、缓慢变化类故障、阶跃变化类故障、毛刺变化类故障、无规则变化类信号和卡滞类故障信号六类,通过解析模型提取六类故障类型建立数据模型。
验证方法为将控制系统前端冗余信号其中一路采用恒偏差类故障、缓慢变化类故障、快速变化类故障、毛刺变化类故障、无规则变化类故障、卡滞类故障的数据模型,Irb=I′rb=[I′rb1 I′rb2 I′rb3 ... I′rbm]。其余信号均采用工艺系统正常运行信号,包括另一路冗余信号Ira=[Ira1 Ira2 Ira3 ... Iram]以及工艺系统相关量Ipa=[Ipa1 Ipa2 Ipa3 ...Ipam]、Ipb=[Ipb1 Ipb2 Ipb3 ... Ipbm]、…、Ipz=[Ipz1 Ipz2 Ipz3 ... Ipzm],并将此信号输入至诊断模型,验证模型能否快速、准确地实现故障信号诊断。
对于此六类常见故障信号诊断结果如图7A/7B/7C/7D/7E/7F所示,图7A、图7B、图7C、图7D、图7E、图7F分别为恒偏差类故障、缓慢变化类故障、快速变化类故障、毛刺变化类故障、无规则变化类故障、卡滞类故障的诊断曲线,其中Ira为正常信号,Irb为故障信号,In为神经网络模拟输出信号,Oco为诊断模型输出信号,从曲线上可以看出,模型均能取得良好诊断效果,并将正确值Oco输入至控制系统。
真实工况仿真验证:真实工况仿真试验法为采集工艺系统真实运行工况下的数据作为信号源,运行工况主要分为正常运行工况/瞬态运行工况/故障运行工况。模型的输入信号为工艺系统运行时真实工况信号数据,将故障信号建立数据矩阵,并将冗余输入变量Ira=[Ira1 Ira2 Ira3 ... Iram]、Irb=[Irb1 Irb2 Irb3 ... Irbm]以及工艺系统相关量Ipa=[Ipz1 Ipa2 Ipa3 … Ipam]、Ipb=[Ipb1 Ipb2 Ipb3 ... Ipbm]、…、Ipz=[Ipz1 Ipz2 Ipz3 ... Ipzm]等作为信号源,输入至模型,诊断输出变量为Oco=[Oco1 Oco2 Oco3 ... Ocom]。
真实工况诊断结果如图8A和图8B所示,曲线A/B分别为工艺系统瞬态运行工况/真实故障运行工况下诊断结果,从曲线上可以看出在上述两种工况均可以实现准确诊断。工艺系统瞬态运行工况下,运行参数发生大幅变化,此为工艺系统的正常调节和响应过程,在此工况下模型不能误诊断。工艺系统故障运行工况下,部分运行参数会发生变化,一般由传感器、IO卡件等故障引起的,非工艺系统真实变化,在此工况下模型需要对故障进行及时诊断。
基于工艺物理相关量的控制系统前端冗余智能诊断方法优势:控制系统前端传感器为控制系统可靠稳定运行的薄弱环节,常由于前端传感器故障导致工艺系统出现瞬态或异常。对可靠性要求高的控制系统,前端一般设置有冗余传感器,但由于算法或者方法的不全面,依旧出现较多由于前端传感器故障导致的控制异常。故提出一种控制系统前端冗余智能诊断方法,方法主要包括五个子模型:超限判断模型、小波变换诊断模型、偏差运算判断模型、工艺变量神经网络学习模型以及故障输出选择模型。此方法可以实现控制系统前端冗余传感器的故障诊断,防止前端异常信号输入至控制系统,导致工艺系统的非正常扰动。同时对方法进行故障模拟仿真验证以及真实工况仿真验证,可以有效满足故障诊断快速性和准确性的评价指标。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施,并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰,均应属于本发明权利要求的涵盖范围。
Claims (20)
1.一种控制系统前端冗余智能诊断方法,其特征在于,包括:
S1、使用量程区间筛选冗余控制信号Ira、Irb,若冗余控制信号Ira、Irb在量程区间外则认为冗余传感器出现故障,若冗余控制信号Ira、Irb在量程区间内则进入步骤S2,其中冗余控制信号Ira、Irb为两个冗余传感器的对应信号;
S2、通过小波变换分解冗余控制信号Ira、Irb得到高频信号的局部极大值点对应的系统状态的突变点,若突变点不在阈值范围内则认为冗余传感器出现故障,若突变点在阈值范围内则进入步骤S3;
S3、确定冗余控制信号Ira、Irb的偏差绝对值是否超出偏差阈值,若冗余控制信号Ira、Irb的偏差绝对值大于偏差阈值,则两个冗余传感器中其一个出现异常;
S4、经训练的神经网络模型利用工艺系统相关量估计冗余控制信号Ira、Irb的模拟输出量,通过模拟输出量和冗余控制信号Ira、Irb的比较判断出冗余传感器是否发生故障;
S5、根据冗余传感器的故障数量进行选择输出。
2.根据权利要求1所述的控制系统前端冗余智能诊断方法,其特征在于,所述步骤S1包括:设置所述量程区间的超限判断值:上限值IU和下限值IL;
若Ira/Irb>IU或Ira/Irb<IL,则冗余传感器发生故障。
3.根据权利要求2所述的控制系统前端冗余智能诊断方法,其特征在于,所述量程区间包括正常运行区间、保护运作区间、超限运行区间,其中所述保护运作区间包含所述正常运行区间,所述超限运行区间包含所述保护运作区间;所述超限运行区间的上限值为IU,下限值为IL。
4.根据权利要求1所述的控制系统前端冗余智能诊断方法,其特征在于,所述步骤S2包括:
冗余控制信号Ira、Irb的对应表示为冗余控制信号Ira(x)、Irb(x),将冗余控制信号Ira(x)、Irb(x)投影在时域与频域的变换方法,采用改变时间-频率窗口的形式,通过小波分解得到的高频信号的局部极大值点对应于系统状态的突变点;
根据冗余控制信号Ira(x)、Irb(x)建立小波变换基本形式:
对于Ira(x)、Irb(x),下面用f(x)表示,表达成卷积的形式为:
对于f(x),找到函数θ(x),使得其导函数是小波基函数;
再令θs(x)=(1/s)θ(x/s),则有
根据系统特点选择合适的小波基函数对冗余传感器信号进行小波分解,并检测经过小波变换后信号的局部极大值,进而检测到冗余传感器信号的突变点;对控制系统前端冗余信号Ira(x)、Irb(x)进行小波分解,得到分解后的信号Dia、Dib,设定上/下判断阈值Icc、Idd;
若Dia/Dib>Icc、Dia/Dib<Idd,冗余传感器发生故障。
5.根据权利要求1所述的控制系统前端冗余智能诊断方法,其特征在于,所述步骤S3包括:
确定冗余控制信号Ira、Irb的偏差绝对值是否超出偏差阈值,若冗余控制信号Ira、Irb的偏差绝对值大于偏差阈值,则两个冗余传感器中其一个出现异常,判断逻辑为:
若|Ira/Irb|<Ica
其中判断设置冗余交叉验证的偏差阈值Ica,偏差阈值Ica的制定基于高斯概率分布,冗余交叉验证偏差阈值计算如下式:
Ica=[δ(FS)/ε(t)-X]*ε(t)
其中,δ(FS)为冗余传感器功能允许误差;ε(t)为参考传感器的不确定度;X为决定于冗余传感器数目r的系数,表征失效探测的成功率,失效探测成功率系数X的计算公式:
6.根据权利要求1所述的控制系统前端冗余智能诊断方法,其特征在于,所述步骤S4中神经网络模型采用BP神经网络,通过工艺系统相关量作为训练样本输入,待诊断的冗余传感器作为训练样本输出来模拟输入量与输出量之间的函数关系;其中工艺系统相关量为系统中与冗余控制信号Ira、Irb存在相关性的物理量。
7.根据权利要求6所述的控制系统前端冗余智能诊断方法,其特征在于,所述BP神经网络的训练过程为:
假设冗余控制信号Ira、Irb为待诊断的冗余传感器,将工艺系统相关量Ipa、Ipb、…、Ipz作为神经网络模型的输入,待诊断的冗余传感器Ira、Irb作为输出;以工艺系统相关量传感器及待诊断的冗余传感器在正常状态下的数据作为训练样本进行训练,建立神经网络模型,得到神经网络模拟输出信号In。
8.根据权利要求1所述的控制系统前端冗余智能诊断方法,其特征在于,所述步骤S5包括:故障输出分为无冗余传感器故障、冗余传感器其一故障、冗余传感器均故障;
若在第一个诊断周期T内冗余传感器出现故障,则立即进入故障输出选择模式;
若在第二个诊断周期T内冗余传感器故障消除,则进入正常模式;
若故障消失后,在第l个诊断周期T内冗余传感器再次出现故障或者故障持续存在大于等于2T,则持续进入故障输出选择模式,直至故障消除或者手动设置。
9.根据权利要求8所述的控制系统前端冗余智能诊断方法,其特征在于,故障输出信号选择如下:
当无冗余传感器故障时,输出量Oco输出为Ira、Irb均值,即Oco=(Ira+Irb)/2;
当冗余传感器其一故障时,自动剔除故障的冗余传感器,输出量Oco输出正常传感器信号:若Irb故障,Oco=Ira;若Ira故障,Oco=Irb;
当冗余传感器均故障时,输出量Oco为记忆上一好值,或者输出神经网络模拟输出信号In。
10.一种控制系统前端冗余智能诊断系统,其特征在于,包括超限判断模型、小波变换诊断模型、偏差运算判断模型、工艺变量神经网络学习模型以及故障输出选择模型,其中,
所述超限判断模型用于使用量程区间筛选冗余控制信号Ira、Irb,若冗余控制信号Ira、Irb在量程区间外则认为冗余传感器出现故障,若冗余控制信号Ira、Irb在量程区间内则使用所述小波变换诊断模型进行进一步处理,其中冗余控制信号Ira、Irb为两个冗余传感器的对应信号;
所述小波变换诊断模型用于通过小波变换分解冗余控制信号Ira、Irb得到高频信号的局部极大值点对应的系统状态的突变点,若突变点不在阈值范围内则认为冗余传感器出现故障,若突变点在阈值范围内则使用所述偏差运算判断模型进行进一步处理;
所述偏差运算判断模型用于确定冗余控制信号Ira、Irb的偏差绝对值是否超出偏差阈值,若冗余控制信号Ira、Irb的偏差绝对值大于偏差阈值,则两个冗余传感器中其一个出现异常;
所述工艺变量神经网络学习模型中经训练的神经网络模型利用工艺系统相关量估计冗余控制信号Ira、Irb的模拟输出量,通过模拟输出量和冗余控制信号Ira、Irb的比较判断出冗余传感器是否发生故障;
所述故障输出选择模型根据冗余传感器的故障数量进行选择输出。
11.根据权利要求10所述的控制系统前端冗余智能诊断系统,其特征在于,所述超限判断模型中设置所述量程区间的超限判断值:上限值IU和下限值IL;
若Ira/Irb>IU或Ira/Irb<IL,则冗余传感器发生故障。
12.根据权利要求11所述的控制系统前端冗余智能诊断系统,其特征在于,所述量程区间包括正常运行区间、保护运作区间、超限运行区间,其中所述保护运作区间包含所述正常运行区间,所述超限运行区间包含所述保护运作区间;所述超限运行区间的上限值为IU,下限值为IL。
13.根据权利要求10所述的控制系统前端冗余智能诊断系统,其特征在于,所述小波变换诊断模型中冗余控制信号Ira、Irb的对应表示为冗余控制信号Ira(x)、Irb(x),将冗余控制信号Ira(x)、Irb(x)投影在时域与频域的变换方法,采用改变时间-频率窗口的形式,通过小波分解得到的高频信号的局部极大值点对应于系统状态的突变点;
根据冗余控制信号Ira(x)、Irb(x)建立小波变换基本形式:
对于Ira(x)、Irb(x),下面用f(x)表示,表达成卷积的形式为:
对于f(x),找到函数θ(x),使得其导函数是小波基函数;
再令θs(x)=(1/s)θ(x/s),则有
根据系统特点选择合适的小波基函数对冗余传感器信号进行小波分解,并检测经过小波变换后信号的局部极大值,进而检测到冗余传感器信号的突变点;对控制系统前端冗余信号Ira(x)、Irb(x)进行小波分解,得到分解后的信号Dia、Dib,设定上/下判断阈值Icc、Idd;
若Dia/Dib>Icc、Dia/Dib<Idd,冗余传感器发生故障。
14.根据权利要求10所述的控制系统前端冗余智能诊断系统,其特征在于,所述偏差运算判断模型确定冗余控制信号Ira、Irb的偏差绝对值是否超出偏差阈值,若冗余控制信号Ira、Irb的偏差绝对值大于偏差阈值,则两个冗余传感器中其一个出现异常,判断逻辑为:
若|Ira-Irb|>Ica
其中判断设置冗余交叉验证的偏差阈值Ica,偏差阈值Ica的制定基于高斯概率分布,冗余交叉验证偏差阈值计算如下式:
Ica=[δ(FS)/ε(t)-X]*ε(t)
其中,δ(FS)为冗余传感器功能允许误差;ε(t)为参考传感器的不确定度;X为决定于冗余传感器数目r的系数,表征失效探测的成功率,失效探测成功率系数X的计算公式:
15.根据权利要求10所述的控制系统前端冗余智能诊断系统,其特征在于,所述工艺变量神经网络学习模型采用BP神经网络,通过工艺系统相关量作为训练样本输入,待诊断的冗余传感器作为训练样本输出来模拟输入量与输出量之间的函数关系;其中工艺系统相关量为系统中与冗余控制信号Ira、Irb存在相关性的物理量。
16.根据权利要求15所述的控制系统前端冗余智能诊断系统,其特征在于,所述BP神经网络的训练过程为:
假设冗余控制信号Ira、Irb为待诊断的冗余传感器,将工艺系统相关量Ipa、Ipb、…、Ipz作为神经网络模型的输入,待诊断的冗余传感器Ira、Irb作为输出;以工艺系统相关量传感器及待诊断的冗余传感器在正常状态下的数据作为训练样本进行训练,建立神经网络模型,得到神经网络模拟输出信号In。
17.根据权利要求10所述的控制系统前端冗余智能诊断系统,其特征在于,所述故障输出选择模型中故障输出分为无冗余传感器故障、冗余传感器其一故障、冗余传感器均故障;
若在第一个诊断周期T内冗余传感器出现故障,则立即进入故障输出选择模式;
若在第二个诊断周期T内冗余传感器故障消除,则进入正常模式;
若故障消失后,在第l个诊断周期T内冗余传感器再次出现故障或者故障持续存在大于等于2T,则持续进入故障输出选择模式,直至故障消除或者手动设置。
18.根据权利要求17所述的控制系统前端冗余智能诊断系统,其特征在于,所述故障输出选择模型中故障输出信号选择如下:
当无冗余传感器故障时,输出量Oco输出为Ira、Irb均值,即Oco=(Ira+Irb)/2;
当冗余传感器其一故障时,自动剔除故障的冗余传感器,输出量Oco输出正常传感器信号:若Irb故障,Oco=Ira;若Ira故障,Oco=Irb;
当冗余传感器均故障时,输出量Oco为记忆上一好值,或者输出神经网络模拟输出信号In。
19.一种存储器,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-9中任意一项所述的控制系统前端冗余智能诊断方法。
20.一种控制器,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器的计算机程序以实现如权利要求1-9中任意一项所述的控制系统前端冗余智能诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010048086.0A CN111208802A (zh) | 2020-01-16 | 2020-01-16 | 控制系统前端冗余智能诊断方法和系统及存储器和控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010048086.0A CN111208802A (zh) | 2020-01-16 | 2020-01-16 | 控制系统前端冗余智能诊断方法和系统及存储器和控制器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111208802A true CN111208802A (zh) | 2020-05-29 |
Family
ID=70785460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010048086.0A Pending CN111208802A (zh) | 2020-01-16 | 2020-01-16 | 控制系统前端冗余智能诊断方法和系统及存储器和控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111208802A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111744341A (zh) * | 2020-07-09 | 2020-10-09 | 四川轻化工大学 | 低温等离子体有机废气处理的防爆监测控制方法与系统 |
CN113202738A (zh) * | 2021-04-29 | 2021-08-03 | 中国核电工程有限公司 | 一种避免核电厂循环水泵误跳泵的装置及方法 |
CN115542716A (zh) * | 2022-10-24 | 2022-12-30 | 安徽砺德特种动力科技有限公司 | 一种针对航空发动机温度传感器双冗余设计的控制算法 |
CN117492355A (zh) * | 2023-12-28 | 2024-02-02 | 天津英联石油设备技术服务有限公司 | 具有冗余容错功能的自动化控制系统及控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680017A (zh) * | 2012-05-31 | 2012-09-19 | 潍柴动力股份有限公司 | 一种传感器故障诊断方法及诊断装置 |
CN103699117A (zh) * | 2013-12-18 | 2014-04-02 | 中广核核电运营有限公司 | 基于核电厂真实工况与仿真系统的故障诊断方法及系统 |
CN107145675A (zh) * | 2017-05-17 | 2017-09-08 | 国网天津市电力公司 | 基于bp神经网络算法的电力变压器故障诊断装置及方法 |
CN108507117A (zh) * | 2017-10-13 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于小波神经网络的空调系统传感器故障诊断方法 |
-
2020
- 2020-01-16 CN CN202010048086.0A patent/CN111208802A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680017A (zh) * | 2012-05-31 | 2012-09-19 | 潍柴动力股份有限公司 | 一种传感器故障诊断方法及诊断装置 |
CN103699117A (zh) * | 2013-12-18 | 2014-04-02 | 中广核核电运营有限公司 | 基于核电厂真实工况与仿真系统的故障诊断方法及系统 |
CN107145675A (zh) * | 2017-05-17 | 2017-09-08 | 国网天津市电力公司 | 基于bp神经网络算法的电力变压器故障诊断装置及方法 |
CN108507117A (zh) * | 2017-10-13 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于小波神经网络的空调系统传感器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
余刃 等: "基于小波独立成分分析的核动力装置冗余传感器故障在线诊断方法研究", 《核动力工程》 * |
游磊: "《旋转机械振动信号故障模式识别系统研究》", 31 August 2018, 电子科技大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111744341A (zh) * | 2020-07-09 | 2020-10-09 | 四川轻化工大学 | 低温等离子体有机废气处理的防爆监测控制方法与系统 |
CN111744341B (zh) * | 2020-07-09 | 2022-06-17 | 四川轻化工大学 | 低温等离子体有机废气处理的防爆监测控制方法与系统 |
CN113202738A (zh) * | 2021-04-29 | 2021-08-03 | 中国核电工程有限公司 | 一种避免核电厂循环水泵误跳泵的装置及方法 |
CN115542716A (zh) * | 2022-10-24 | 2022-12-30 | 安徽砺德特种动力科技有限公司 | 一种针对航空发动机温度传感器双冗余设计的控制算法 |
CN117492355A (zh) * | 2023-12-28 | 2024-02-02 | 天津英联石油设备技术服务有限公司 | 具有冗余容错功能的自动化控制系统及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111208802A (zh) | 控制系统前端冗余智能诊断方法和系统及存储器和控制器 | |
Dunia et al. | Identification of faulty sensors using principal component analysis | |
JP4308437B2 (ja) | センサの性能確認装置および方法 | |
CN108507117A (zh) | 一种基于小波神经网络的空调系统传感器故障诊断方法 | |
CN111780800B (zh) | 一种传感器故障的监测、隔离以及重构方法和系统 | |
CN107544459B (zh) | 一种控制系统的多重故障诊断优化方法 | |
CN104035431B (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
CN110348150A (zh) | 一种基于相关概率模型的故障检测方法 | |
CN108490923A (zh) | 用于电气牵引系统的微小故障检测与定位的系统设计方法 | |
Darvishi et al. | A data-driven architecture for sensor validation based on neural networks | |
Dietrich et al. | Detecting external measurement disturbances based on statistical analysis for smart sensors | |
CN111260823B (zh) | 基于i/o测点故障依赖矩阵的故障诊断方法 | |
CN115659653A (zh) | 一种考虑测试点可靠度的相关性矩阵测试点优选的方法 | |
CN110889646A (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
CN116186976A (zh) | 装备平台传感器采集数据准确度验证方法及验证系统 | |
CN112231849B (zh) | 基于nest和sprt融合算法的轴温故障检测方法 | |
CN107957269B (zh) | 一种惯导系统故障特性判定及测试性预计方法 | |
CN112801267A (zh) | 动态阈值的航空发动机多重故障诊断器 | |
Coquempot et al. | Hybrid dynamical systems monitoring using structured analytical redundancy relations | |
Baïkeche et al. | On parametric and nonparametric fault detection in linear closed-loop systems | |
CN113447273B (zh) | 基于交叉验证的燃气轮机传感器及执行机构故障检测方法 | |
RU2781738C2 (ru) | Способ функционального диагностирования жидкостного ракетного двигателя при огневом испытании | |
Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm | |
Ren et al. | Multiple sensor validation for natural gas combined cycle power plants based on robust input training neural networks | |
Asklou et al. | Effects of proof tests on the safety performance of safety-instrumented systems |
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 |