CN111338324B - 一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法 - Google Patents

一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法 Download PDF

Info

Publication number
CN111338324B
CN111338324B CN202010240775.1A CN202010240775A CN111338324B CN 111338324 B CN111338324 B CN 111338324B CN 202010240775 A CN202010240775 A CN 202010240775A CN 111338324 B CN111338324 B CN 111338324B
Authority
CN
China
Prior art keywords
closed
fault
kettle
loop system
actuator
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.)
Active
Application number
CN202010240775.1A
Other languages
English (en)
Other versions
CN111338324A (zh
Inventor
王凯
王雅琳
阳春华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202010240775.1A priority Critical patent/CN111338324B/zh
Publication of CN111338324A publication Critical patent/CN111338324A/zh
Application granted granted Critical
Publication of CN111338324B publication Critical patent/CN111338324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Abstract

本发明公开了一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法，所述方法包括以下步骤：S1、数据准备与预处理；S2、闭环参数结构约束：基于已知的最小纯滞后d，获得闭环系统的反馈不变系数矩阵，并约束为对角结构；S3、闭环系统参数辨识：利用参数结构约束与输入输出向量辨识闭环系统的参数矩阵；S4、开环系统参数辨识：利用输入输出向量以及闭环系统的参数矩阵辨识开环系统自回归模型；S5、执行器故障诊断：利用错误输入输出向量以及辨识的自回归模型得到故障模型，根据故障模型计算对各执行器故障的相对贡献，平均相对贡献最高的输入变量为该执行器故障诊断结果。本发明提高了闭环系统执行器故障诊断的有效性。

Description

一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法
技术领域
本发明涉及过程数据分析技术领域，尤其涉及一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法。
背景技术
数据驱动的方法诊断故障，一方面可以很大程度降低对机理模型的依赖，另一方面可以减少由于人为分析，排查等导致的错误诊断。有的故障诊断方法选取某段正常数据作为建模数据，训练过程模型，实现故障诊断，有的执行器故障检测方法缺乏对故障原因的诊断。实际工业过程中，闭环控制已被广泛应用，因此收集到的数据均为闭环数据。一方面反馈的存在使得执行器反复调节，成为故障多发部件；另一方面闭环数据在无外部激励信号或其他先验知识的情况下不具备辨识开环模型的能力，同时反馈控制会影响故障的传播。因此反馈控制下的执行器故障诊断是数据驱动的故障诊断挑战性问题之一。利用过程的纯滞后，可获得反馈不变性质，有潜力成为闭环系统执行器故障诊断的有效方法。而串联连续搅拌加热釜设备，是一种存在多个相关控制变量的闭环加热釜温度控制系统，对加热釜的故障诊断带来了难度，或对加热釜的故障诊断准确性较低。
发明内容
(一)要解决的技术问题
基于上述问题，本发明针对现有技术的不足，提供了一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法，通过先验知识即过程的纯滞后从闭环加热釜系统中提取开环参数，使得闭环加热釜系统的执行器故障诊断更有效。
(二)技术方案
基于上述的技术问题，本发明提供一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法，所述执行器故障诊断方法包括以下步骤：
S1、数据准备与预处理：收集正常运行下的去均值化的输入变量，组成m维的输入向量uk,k＝1,2,…,N，
Figure BDA0002432479430000021
Figure BDA0002432479430000022
为釜I的加热器功率、
Figure BDA0002432479430000023
为釜II的加热器功率、
Figure BDA0002432479430000024
为釜II的冷水阀门开度；
收集去均值化的输出变量，组成m维的输出向量yk,k＝1,2,…,N，
Figure BDA0002432479430000025
Figure BDA0002432479430000026
为釜I的温度、
Figure BDA0002432479430000027
为釜II的温度、
Figure BDA0002432479430000028
为釜II的冷水流量；N为样本数，m＝3；
收集待诊断的故障样本
Figure BDA0002432479430000029
和
Figure BDA00024324794300000210
k＝kf,kf+1,…,kf+q，所述
Figure BDA00024324794300000211
为由于执行器故障导致的去均值化的错误输入变量组成的错误输入向量，
Figure BDA00024324794300000212
为由于执行器故障导致的去均值化的错误输出变量组成的错误输出向量，kf为故障发生时刻，q+1为故障样本数；
所述执行器包括釜I的加热器、釜II的加热器、釜I的冷水阀门，分别通过调节输入变量使加热釜保持温度和液位稳定在设定值，所述执行器故障包括釜I的加热器功率的偏差故障，釜II的加热器功率的偏差故障以及釜II的冷水阀门开度的噪声故障；
S2、闭环参数结构约束：基于已知的过程最小纯滞后d，获得闭环系统的反馈不变系数矩阵，并约束所述反馈不变系数矩阵为对角结构；
S3、闭环系统参数辨识：利用步骤S2所述的闭环参数结构约束与所述输入向量和输出向量辨识闭环系统的参数矩阵
Figure BDA0002432479430000031
Figure BDA0002432479430000032
S4、开环系统参数辨识：利用所述输入向量和输出向量以及所述闭环系统的参数矩阵辨识开环系统自回归模型，所述开环系统自回归模型为：
Figure BDA0002432479430000033
其参数为：
Figure BDA0002432479430000034
Figure BDA0002432479430000035
其中，A、B、C、K分别为开环过程的状态空间模型参数，
Figure BDA0002432479430000036
分别为闭环系统的状态空间模型参数，ek为新息序列，k为时间标签，p为人为给定的大于i的整数，表示模型的动态阶数；
S5、执行器故障诊断：利用收集到的错误输入向量和错误输出向量，以及辨识的所述开环系统自回归模型得到故障模型，根据故障模型计算对各执行器故障的相对贡献，平均相对贡献最高的输入变量为该执行器故障诊断结果，所述故障模型为
Figure BDA0002432479430000037
其中，
Figure BDA0002432479430000038
Figure BDA0002432479430000039
Figure BDA00024324794300000314
Figure BDA00024324794300000311
其中
Figure BDA00024324794300000312
为向量
Figure BDA00024324794300000313
中第j个分量，每种故障单独发生，q+1个故障时刻的平均相对贡献最高时对应的输入变量为第j个执行器故障的诊断结果。
进一步的，步骤S2中所述的反馈不变系数矩阵包括：
Figure BDA0002432479430000041
Figure BDA0002432479430000042
约束所述反馈不变系数矩阵为对角结构即约束
Figure BDA0002432479430000043
CAiK,i＝0,1,…,d-1为对角矩阵，其中，
Figure BDA0002432479430000044
分别为闭环系统的状态空间模型参数。
进一步的，所述步骤S3包括以下步骤：
S3.1、根据闭环系统的自回归模型，并约束
Figure BDA0002432479430000045
为对角矩阵，基于最小二乘法辨识得到
Figure BDA0002432479430000046
所述闭环系统的自回归模型为：
Figure BDA0002432479430000047
S3.2、利用已辨识的所述
Figure BDA0002432479430000048
得到新息序列：
Figure BDA0002432479430000049
S3.3、根据步骤S3.2所述的新息序列，并约束
Figure BDA00024324794300000410
为对角矩阵，基于最小二乘法辨识得到闭环系统参数矩阵
Figure BDA00024324794300000411
Figure BDA00024324794300000412
进一步的，所述步骤S4包括以下步骤：
S4.1、约束所述开环系统参数矩阵CAiK,i＝0,1,…,p-1为对角矩阵，
即
Figure BDA0002432479430000051
根据
Figure BDA0002432479430000052
计算出
Figure BDA0002432479430000053
此处i＝0,1,…,d-1，j＝1,2,…,m；
S4.2、根据步骤S4.1得到的
Figure BDA0002432479430000054
此处i＝0,1,…,d-1，由
Figure BDA0002432479430000055
计算出
Figure BDA0002432479430000056
其中
Figure BDA0002432479430000057
分别为第j个新息
Figure BDA0002432479430000058
和输出变量
Figure BDA0002432479430000059
的传递函数
Figure BDA00024324794300000510
的参数，当d为偶数时，n＝d/2，当d为奇数时，n＝(d-1)/2，j＝1,2,…,m；
S4.3、由
Figure BDA00024324794300000511
计算
Figure BDA00024324794300000512
此处i＝d,d+1,…,p-1，j＝1,2,…,m，得到开环系统参数矩阵CAiK,i＝0,1,…,p-1；
S4.4、根据所述的CAiK,i＝0,1,…,p-1以及所述新息序列，由下式得到输入激励的输出部分
Figure BDA00024324794300000513
Figure BDA00024324794300000514
其中，
Figure BDA00024324794300000515
Figure BDA00024324794300000516
为扩展的新息序列向量；
S4.5、利用
Figure BDA00024324794300000517
和输出向量，基于最小二乘法，根据下式
Figure BDA0002432479430000061
计算开环系统脉冲响应参数为
Figure BDA0002432479430000062
S4.6、开环系统的带有输入的自回归模型为：
Figure BDA0002432479430000063
由
Figure BDA0002432479430000064
Figure BDA0002432479430000065
计算得到
Figure BDA0002432479430000066
和
Figure BDA0002432479430000067
从而得到参数
Figure BDA0002432479430000068
Figure BDA0002432479430000069
本发明还公开了一种加热釜控制器，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行所述的已知纯滞后的闭环加热釜系统的执行器故障诊断方法。
本发明还公开了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行所述的已知纯滞后的闭环加热釜系统的执行器故障诊断方法。
(三)有益效果
本发明的上述技术方案具有如下优点：
(1)本发明通过先验知识即过程的最小纯滞后，根据反馈不变性质，在闭环系统中提取开环参数，根据开环参数进行执行器故障诊断，从而解决闭环系统的执行器故障诊断的难题，提高闭环系统的执行器故障诊断的有效性；
(2)本发明不要求过程模型与控制器模型，仅需一段已知的过程滞后信息，正常数据与在线故障数据，即可进行执行器故障诊断，诊断方法简单易行；
(3)本发明可考虑多变量之间的相关性，处理多变量系统的精确故障诊断，且不会因多变量之间的相关性影响诊断结果，具有广泛的实用性；
(4)本发明可处理反馈控制存在的执行器故障诊断，包括偏差和噪声等类型故障。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1为本发明实施例串联连续搅拌加热釜设备的示意图；
图2为本发明所述闭环加热釜系统的执行器故障诊断方法的流程示意图；
图3为本发明实施例釜I的加热器功率的偏差故障的诊断灰度图；
图4为本发明实施例釜II的加热器功率的偏差故障的诊断灰度图；
图5为本发明实施例釜II的冷水阀门开度的噪声故障的诊断灰度图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明的实施例为如图1所示的串联连续搅拌加热釜设备，冷水流量F1首先进入釜I，并经加热后流入到釜II，同时冷水流量F2也流经釜II，并经加热后一部分经换热输出，一部分经离心泵返流至釜I。在该单元中，为了保持液位和温度稳定在设定值，通过执行器包括釜I的冷水阀门、釜I的加热器、釜II的冷水阀门、釜II的加热器改变过程参数，其中有三个闭环控制回路被构建：首先釜I的加热器用以控制釜I的温度，釜II的加热器用以控制釜II的温度，而釜II的冷水流量用以控制釜II的液位，釜I的冷水阀门、釜I的加热器、釜II的加热器三个执行器均采用比例积分控制器。整个串联连续搅拌加热釜是一个多变量控制系统。该实施例的控制系统共有三个控制回路，控制回路的输入分别为釜I的加热器功率、釜II的加热器功率、釜II的冷水阀门开度，对应的被控变量分别为釜I的温度、釜II的温度、釜II的冷水流量，共有3类执行器故障，分别是釜I的加热器功率的偏差故障，釜II的加热器功率的偏差故障以及釜II的冷水阀门开度的噪声故障。
对该闭环加热釜温度控制系统，一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法，如图2所示，包括以下步骤：
S1、数据准备与预处理：
收集一段正常运行下的去均值化的过程输入变量，组成m维的输入向量uk,k＝1,2,…,N，uk∈Rm；收集去均值化的输出变量，组成m维的输出向量yk,k＝1,2,…,N，yk∈Rm，k为时间标签，N为正常运行的样本数；对每个变量进行了去均值化；并在线收集待诊断的故障样本
Figure BDA0002432479430000091
和
Figure BDA0002432479430000092
k＝kf,kf+1,…,kf+q,其中
Figure BDA0002432479430000093
为由于执行器故障导致的去均值化的错误输入组成的错误输入向量，
Figure BDA0002432479430000094
为由于执行器故障导致的去均值化的错误输出变量组成的错误输出向量，kf为故障发生时刻，从故障发生时刻开始，共q+1个故障样本被收集。
该实施例的控制系统共有三个控制回路，控制回路的每个输入输出变量均进行去均值化，得到去均值化后的输入变量分别为釜I的加热器功率
Figure BDA0002432479430000095
釜II的加热器功率
Figure BDA0002432479430000096
釜II的冷水阀门开度
Figure BDA0002432479430000097
共同组成m＝3维的输入向量
Figure BDA0002432479430000098
对应的输出变量分别为釜I的温度
Figure BDA0002432479430000099
釜II的温度
Figure BDA00024324794300000910
釜II的冷水流量
Figure BDA00024324794300000911
共同组成了输出向量
Figure BDA00024324794300000912
所述执行器故障包括釜I的加热器功率的偏差故障，釜II的加热器功率的偏差故障以及釜II的冷水阀门开度的噪声故障。
在该实施例中，N＝2000，自第2001个样本起，执行器开始发生故障，kf＝2000为故障发生时刻，q＝9，共10个故障样本被收集。
S2、闭环参数结构约束：基于已知的过程最小纯滞后d，获得闭环系统的反馈不变系数矩阵，具体包括
Figure BDA00024324794300000913
Figure BDA00024324794300000914
并约束反馈不变系数矩阵CAiK,i＝0,1,…,d-1为对角矩阵。其中，A、C、K分别为开环过程的状态空间模型参数，其构成的开环状态空间模型为
xk+1＝Axk+Buk+Kek
yk＝Cxk+ek
其中，xk为过程状态，ek为新息序列。而
Figure BDA0002432479430000101
为闭环系统的状态空间模型参数，且
Figure BDA0002432479430000102
在该实施例中，过程最小纯滞后d提前通过实验得到，d＝2。
S3、闭环系统参数辨识：利用步骤S2所述的闭环参数结构约束与所述输入向量和输出向量辨识闭环系统的参数矩阵
Figure BDA0002432479430000103
Figure BDA0002432479430000104
包括以下步骤：
S3.1、根据闭环系统的自回归模型，并约束
Figure BDA0002432479430000105
为对角矩阵，基于最小二乘法辨识得到
Figure BDA0002432479430000106
所述闭环系统的自回归模型为：
Figure BDA0002432479430000107
其中，p为大于i的整数。
在该实施例中p＝100，且
Figure BDA0002432479430000108
为对角矩阵，因此在采用最小二乘法辨识
Figure BDA0002432479430000109
时，需约束i＝0,1时的矩阵块为对角型。
S3.2、利用已辨识的
Figure BDA00024324794300001010
得到新息序列，如下
Figure BDA00024324794300001011
在该实施例中，估计新息序列为：
Figure BDA00024324794300001012
S3.3、根据步骤S3.2所述的新息序列，并约束
Figure BDA0002432479430000111
为对角矩阵，基于最小二乘法辨识得到闭环系统参数矩阵
Figure BDA0002432479430000112
Figure BDA0002432479430000113
所述闭环系统参数矩阵为如下的闭环系统的滑动平均模型的参数：
Figure BDA0002432479430000114
在该实施例中，闭环加热釜系统的滑动平均模型为：
Figure BDA0002432479430000115
且约束
Figure BDA0002432479430000116
为对角矩阵。
S4、开环系统参数辨识：利用所述输入向量和输出向量以及所述闭环系统的参数矩阵辨识开环系统自回归模型，包括以下步骤：
S4.1、约束所述开环系统参数矩阵CAiK,i＝0,1,…,p-1为对角矩阵，即
Figure BDA0002432479430000117
根据
Figure BDA0002432479430000118
计算出
Figure BDA0002432479430000119
此处i＝0,1,…,d-1，j＝1,2,…,m；
在该实施例中，既然CAiK,i＝0,1,…,99为对角矩阵，可假设
Figure BDA00024324794300001110
且由于
Figure BDA00024324794300001111
估计
Figure BDA00024324794300001112
Figure BDA0002432479430000121
S4.2、根据步骤S4.1得到的
Figure BDA0002432479430000122
此处i＝0,1,…,d-1，j＝1,2,…,m，由
Figure BDA0002432479430000123
计算出
Figure BDA0002432479430000124
其中
Figure BDA0002432479430000125
分别为第j个新息
Figure BDA0002432479430000126
和输出变量
Figure BDA0002432479430000127
的传递函数
Figure BDA0002432479430000128
的参数，当d为偶数时，n＝d/2，当d为奇数时，n＝(d-1)/2，j＝1,2,…,m；
在该实施例中，d＝2为偶数时，则n＝d/2＝1，因此可利用已估计的
Figure BDA0002432479430000129
通过
Figure BDA00024324794300001210
解方程估计出
Figure BDA00024324794300001211
S4.3、由
Figure BDA00024324794300001212
计算
Figure BDA00024324794300001213
此处i＝d,d+1,…,p-1，j＝1,2,…,m，得到新息到输出通道的开环参数矩阵CAiK,i＝0,1,…,p-1；
在该实施例中，利用已估计的
Figure BDA00024324794300001214
可通过
Figure BDA00024324794300001215
计算
Figure BDA00024324794300001216
由此完成了新息到输出通道的开环参数矩阵CAiK,i＝0,1,…,99的估计；
S4.4、根据所述的CAiK,i＝0,1,…,p-1以及所述新息序列，计算输入激励的输出部分
Figure BDA00024324794300001217
其由下式给出：
Figure BDA00024324794300001218
其中，
Figure BDA00024324794300001219
Figure BDA0002432479430000131
为扩展的新息序列向量，
而带有输入的开环系统滑动平均模型可表达为：
Figure BDA0002432479430000132
其中，
Figure BDA0002432479430000133
在该实施例中，
Figure BDA0002432479430000134
Figure BDA0002432479430000135
uk:k+99为扩展的输入向量。
S4.5、利用
Figure BDA0002432479430000136
和输出向量，基于最小二乘法，根据下式
Figure BDA0002432479430000137
计算开环系统脉冲响应参数为
Figure BDA0002432479430000138
在该实施例中，
Figure BDA0002432479430000139
和ek:k+99都已被估计，因此由输入激励的输出部分可计算为
Figure BDA00024324794300001310
利用
Figure BDA00024324794300001311
和输入数据，基于最小二乘，由下式估计开环参数，
Figure BDA00024324794300001312
S4.6、开环系统的带有输入的自回归模型可表达为：
Figure BDA00024324794300001313
其中，参数
Figure BDA00024324794300001314
Figure BDA00024324794300001315
Figure BDA00024324794300001316
和
Figure BDA00024324794300001317
由
Figure BDA0002432479430000141
Figure BDA0002432479430000142
计算得到。
在该实施例中，开环系统的带有输入激励的自回归模型可表达为：
Figure BDA0002432479430000143
其中，
Figure BDA0002432479430000144
Figure BDA0002432479430000145
由
Figure BDA00024324794300001417
Figure BDA0002432479430000146
可计算
Figure BDA0002432479430000147
和
Figure BDA0002432479430000148
其中
Figure BDA0002432479430000149
S5、执行器故障诊断：利用收集到的错误输入向量和错误输出向量，以及辨识的所述开环系统自回归模型得到故障模型，根据故障模型计算对各执行器故障的相对贡献，平均相对贡献最高的输入变量为该执行器故障诊断结果，所述故障模型为
Figure BDA00024324794300001410
其中，
Figure BDA00024324794300001411
Figure BDA00024324794300001412
则
Figure BDA00024324794300001413
Figure BDA00024324794300001414
其中
Figure BDA00024324794300001415
为向量
Figure BDA00024324794300001416
中第j个分量，每种故障单独发生，q+1个故障时刻的平均相对贡献最高时对应的输入变量为第j个执行器故障的诊断结果。
在本实施例中，图3-图5分别展示了三种执行器故障：釜I的加热器功率的偏差故障，釜II的加热器功率的偏差故障以及釜II的冷水阀门开度的噪声故障的诊断灰度图，横坐标表示故障时刻，灰度值表示每个时刻每个变量对该种故障的贡献，在诊断时域内，平均灰度越浅则贡献越大。根据每种故障单独发生的预设条件，在前10个诊断时域内，图3-图5的平均灰度值最大的输入变量分别是u(1)、u(2)、u(3)，即釜I的加热器功率、釜II的加热器功率、釜II的冷水阀门开度分别为釜I的加热器功率的偏差故障、釜II的加热器功率的偏差故障、釜II的冷水阀门开度的噪声故障对应的执行器故障位置。
综上可知，通过上述的一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法，具有以下优点：
(1)本发明通过先验知识即过程的最小纯滞后，根据反馈不变性质，在闭环系统中提取开环参数，根据开环参数进行执行器故障诊断，从而解决闭环系统的执行器故障诊断的难题，提高闭环系统的执行器故障诊断的有效性；
(2)本发明不要求过程模型与控制器模型，仅需一段已知的过程滞后信息，正常数据与在线故障数据，即可进行执行器故障诊断，诊断方法简单易行；
(3)本发明可考虑多变量之间的相关性，处理多变量系统的精确故障诊断，且不会因多变量之间的相关性影响诊断结果，具有广泛的实用性；
(4)本发明可处理反馈控制存在的执行器故障诊断，包括偏差和噪声等类型故障。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (6)

1.一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法，其特征在于，所述执行器故障诊断方法包括以下步骤：
S1、数据准备与预处理：收集正常运行下的去均值化的输入变量，组成m维的输入向量uk,k＝1,2,…,N，
Figure FDA0002863329740000011
Figure FDA0002863329740000012
为釜I的加热器功率、
Figure FDA0002863329740000013
为釜II的加热器功率、
Figure FDA0002863329740000014
为釜II的冷水阀门开度；
收集去均值化的输出变量，组成m维的输出向量yk,k＝1,2,…,N，
Figure FDA0002863329740000015
Figure FDA0002863329740000016
为釜I的温度、
Figure FDA0002863329740000017
为釜II的温度、
Figure FDA0002863329740000018
为釜II的冷水流量；N为样本数，m＝3；
收集待诊断的故障样本
Figure FDA0002863329740000019
和
Figure FDA00028633297400000110
所述
Figure FDA00028633297400000111
为由于执行器故障导致的去均值化的错误输入变量组成的错误输入向量，
Figure FDA00028633297400000112
为由于执行器故障导致的去均值化的错误输出变量组成的错误输出向量，kf为故障发生时刻，q+1为故障样本数；
所述执行器包括釜I的加热器、釜II的加热器、釜II的冷水阀门，分别通过调节输入变量使加热釜保持温度和液位稳定在设定值，所述执行器故障包括釜I的加热器功率的偏差故障，釜II的加热器功率的偏差故障以及釜II的冷水阀门开度的噪声故障；
S2、闭环参数结构约束：基于已知的过程最小纯滞后d，获得闭环系统的反馈不变系数矩阵，并约束所述反馈不变系数矩阵为对角结构；
S3、闭环系统参数辨识：利用步骤S2所述的闭环参数结构约束与所述输入向量和输出向量辨识闭环系统的参数矩阵
Figure FDA0002863329740000021
Figure FDA0002863329740000022
S4、开环系统参数辨识：利用所述输入向量和输出向量以及所述闭环系统的参数矩阵辨识开环系统自回归模型，所述开环系统自回归模型为：
Figure FDA0002863329740000023
其参数为：
Figure FDA0002863329740000024
Figure FDA0002863329740000025
其中，A、B、C、K分别为开环过程的状态空间模型参数，
Figure FDA0002863329740000026
分别为闭环系统的状态空间模型参数，
Figure FDA0002863329740000027
ek为新息序列，k为时间标签，p为人为给定的大于i的整数，表示模型的动态阶数；
S5、执行器故障诊断：利用收集到的错误输入向量和错误输出向量，以及辨识的所述开环系统自回归模型得到故障模型，根据故障模型计算对各执行器故障的相对贡献，平均相对贡献最高的输入变量为该执行器故障诊断结果，所述故障模型为
Figure FDA0002863329740000028
其中，
Figure FDA0002863329740000029
Figure FDA00028633297400000210
Figure FDA00028633297400000215
Figure FDA00028633297400000212
其中
Figure FDA00028633297400000213
为向量
Figure FDA00028633297400000214
中第j个分量，每种故障单独发生，q+1个故障时刻的平均相对贡献最高时对应的输入变量为第j个执行器故障的诊断结果。
2.根据权利要求1所述的一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法，其特征在于，步骤S2中所述的反馈不变系数矩阵包括：
Figure FDA0002863329740000031
Figure FDA0002863329740000032
约束所述反馈不变系数矩阵为对角结构即约束
Figure FDA0002863329740000033
CAiK,i＝0,1,…,d-1为对角矩阵，其中，
Figure FDA0002863329740000034
分别为闭环系统的状态空间模型参数。
3.根据权利要求1所述的一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法，其特征在于，所述步骤S3包括以下步骤：
S3.1、根据闭环系统的自回归模型，并约束
Figure FDA0002863329740000035
为对角矩阵，基于最小二乘法辨识得到
Figure FDA0002863329740000036
所述闭环系统的自回归模型为：
Figure FDA0002863329740000037
S3.2、利用已辨识的所述
Figure FDA0002863329740000038
得到新息序列：
Figure FDA0002863329740000039
S3.3、根据步骤S3.2所述的新息序列，并约束
Figure FDA00028633297400000310
为对角矩阵，基于最小二乘法辨识得到闭环系统参数矩阵
Figure FDA00028633297400000311
Figure FDA00028633297400000312
4.根据权利要求1或3所述的一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法，其特征在于，所述步骤S4包括以下步骤：
S4.1、约束所述开环系统参数矩阵CAiK,i＝0,1,…,p-1为对角矩阵，即
Figure FDA0002863329740000041
根据
Figure FDA0002863329740000042
计算出
Figure FDA0002863329740000043
此处i＝0,1,…,d-1，j＝1,2,…,m；
S4.2、根据步骤S4.1得到的
Figure FDA0002863329740000044
此处i＝0,1,…,d-1，由
Figure FDA0002863329740000045
计算出
Figure FDA0002863329740000046
其中
Figure FDA0002863329740000047
分别为第j个新息
Figure FDA0002863329740000048
和输出变量
Figure FDA0002863329740000049
的传递函数
Figure FDA00028633297400000410
的参数，当d为偶数时，n＝d/2，当d为奇数时，n＝(d-1)/2，j＝1,2,…,m；
S4.3、由
Figure FDA00028633297400000411
计算
Figure FDA00028633297400000412
此处i＝d,d+1,…,p-1，j＝1,2,…,m，得到开环系统参数矩阵CAiK,i＝0,1,…,p-1；
S4.4、根据所述的CAiK,i＝0,1,…,p-1以及所述新息序列，由下式得到输入激励的输出部分
Figure FDA00028633297400000413
Figure FDA00028633297400000414
其中，
Figure FDA00028633297400000415
Figure FDA00028633297400000416
为扩展的新息序列向量；
S4.5、利用
Figure FDA0002863329740000051
和输出向量，基于最小二乘法，根据下式
Figure FDA0002863329740000052
计算开环系统脉冲响应参数为
Figure FDA0002863329740000053
S4.6、开环系统的带有输入的自回归模型为：
Figure FDA0002863329740000054
由
Figure FDA0002863329740000055
Figure FDA0002863329740000056
计算得到
Figure FDA0002863329740000057
和
Figure FDA0002863329740000058
从而得到参数
Figure FDA0002863329740000059
Figure FDA00028633297400000510
5.一种加热釜控制器，其特征在于，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一项所述的已知纯滞后的闭环加热釜系统的执行器故障诊断方法。
6.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一项所述的已知纯滞后的闭环加热釜系统的执行器故障诊断方法。
CN202010240775.1A 2020-03-31 2020-03-31 一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法 Active CN111338324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010240775.1A CN111338324B (zh) 2020-03-31 2020-03-31 一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010240775.1A CN111338324B (zh) 2020-03-31 2020-03-31 一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法

Publications (2)

Publication Number Publication Date
CN111338324A CN111338324A (zh) 2020-06-26
CN111338324B true CN111338324B (zh) 2021-03-16

Family

ID=71186271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010240775.1A Active CN111338324B (zh) 2020-03-31 2020-03-31 一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法

Country Status (1)

Country Link
CN (1) CN111338324B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114996927B (zh) * 2022-05-27 2023-04-21 中南大学 一种基于局部约束的串级csth性能评估与诊断方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8046090B2 (en) * 2007-01-31 2011-10-25 Honeywell International Inc. Apparatus and method for automated closed-loop identification of an industrial process in a process control system
CN104460318B (zh) * 2013-09-25 2017-07-11 北京化工大学 一种基于闭环过程信息约束的前向通道模型多目标优化辨识整定方法
JP6561980B2 (ja) * 2014-03-24 2019-08-21 日本電気株式会社 監視装置、監視システム、監視方法及びプログラム
CN105759217B (zh) * 2016-02-26 2020-01-07 江苏快乐电源(涟水)有限公司 一种基于可测数据的铅酸蓄电池组在线故障诊断方法

Also Published As

Publication number Publication date
CN111338324A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
US5924086A (en) Method for developing a neural network tool for process identification
Bernardi et al. Observer-based fault detection and diagnosis strategy for industrial processes
Miyata et al. Fault detection and diagnosis for heat source system using convolutional neural network with imaged faulty behavior data
Fischer et al. Predictive control based on local linear fuzzy models
CN111338324B (zh) 一种已知纯滞后的闭环加热釜系统的执行器故障诊断方法
Talukdar et al. Dynamic model-based fault tolerant control of variable air volume air conditioning system
CN108121215A (zh) 基于全回路重构仿真的工业控制回路性能评价方法及装置
Papadopoulos et al. Distributed diagnosis of actuator and sensor faults in HVAC systems
Bloch et al. Neural networks for process control and optimization: Two industrial applications
Czajkowski et al. Application of the state space neural network to the fault tolerant control system of the PLC-controlled laboratory stand
Gholizadeh et al. Fault detection and identification using combination of ekf and neuro-fuzzy network applied to a chemical process (cstr)
Nafey Neural network based correlation for critical heat flux in steam-water flows in pipes
Yu et al. Neural model adaptation and predictive control of a chemical process rig
Miyata et al. Model-based fault detection and diagnosis for HVAC systems using convolutional neural network
Uren et al. An energy-attributed graph approach for the purposes of FDI in a heated two-tank system
CN111931349B (zh) 基于动态主元分析的csth的乘性故障诊断方法
Barszcz et al. Estimation of feedwater heater parameters based on a grey-box approach
Bernardi et al. Full-order output observer applied to a linear parameter varying system with unknown input
Farber et al. Using multiple-model adaptive estimation and system identification for fault detection in nuclear power plants
US6643554B2 (en) Method and apparatus for adaptive control of marginally stable systems
Papadopoulos et al. Distributed sensor fault accommodation of multi-zone HVAC systems
Chen et al. Study on small multiplicative fault detection using Canonical Correlation Analysis with the local approach
Humberstone et al. An adaptive model for expanded process monitoring
Garcia On fault isolation by neural‐networks‐based parameter estimation techniques
Isermann Advanced methods of process computer control for industrial processes

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