CN111413949B - 一种降低工业过程故障预警误报率的方法 - Google Patents
一种降低工业过程故障预警误报率的方法 Download PDFInfo
- Publication number
- CN111413949B CN111413949B CN202010236809.XA CN202010236809A CN111413949B CN 111413949 B CN111413949 B CN 111413949B CN 202010236809 A CN202010236809 A CN 202010236809A CN 111413949 B CN111413949 B CN 111413949B
- Authority
- CN
- China
- Prior art keywords
- early warning
- fault
- variables
- product quality
- false alarm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims description 12
- 238000007619 statistical method Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 230000000087 stabilizing effect Effects 0.000 abstract description 2
- 238000004821 distillation Methods 0.000 description 10
- 239000003921 oil Substances 0.000 description 8
- 238000010992 reflux Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 239000010779 crude oil Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种降低工业过程故障预警误报率的方法，该方法首先根据工业过程的工作过程和传感器分布情况，选择故障相关变量，并分类为与产品质量直接相关的变量集V1和与产品质量非直接相关的变量集V2；然后分别基于V1和V2中的变量建立模型M1和M2并确定控制限。预警时，对于待测数据，先将V2的数据输入M2，若数据异常，再将V1数据输入M1，若数据异常，则发出故障预警，否则均不报警。本发明将故障相关变量分类建模分析，能有效减少误报，对于降低误报率，提高工程实用性，稳定生产具有重要应用价值。
Description
技术领域
本发明涉及工业过程故障检测，具体为一种基于数据驱动的工业过程故障预警方法。
背景技术
相较于基于机理模型的故障检测方法，基于数据驱动的故障检测方法近年来发展很快。其中，基于多元统计分析的故障检测方法，如主元分析(PCA)及其改进的动态主元分析(DPCA)、偏最小二乘(PLS)等，可以发掘出海量数据中的有用信息，大大降低过程故障检测的复杂性，尤其适用于变量众多的复杂工业过程。然而，现有的基于数据驱动的故障预警方法，往往将所有故障相关变量不加区分地统一分析建模，存在故障误报率高、实用性不强等问题。
事实上，在工业过程控制中，为了抑制外界扰动的影响，通常会对过程施加闭环反馈控制以保证过程的稳定运行。当过程运行中受到外界扰动时，为防止被控变量(往往是事关产品质量的关键参数)在扰动作用下发生较大偏差，操纵变量有时可能会发生较大变化以抑制外界扰动的影响。在这种情况下，虽然操纵变量变化较大，但被控变量并没有发生显著变化，生产过程依然可以认为是稳定的，无需进行预警提示。然而，此时如果把被控变量、操纵变量不加区分地放在一起进行预警建模分析，由于操纵变量变化较大，极易使统计量超出统计控制限SPE和T2，从而产生误报。故障预警系统误报严重影响系统的可信度，是企业运行操作中最为头痛的问题。
发明内容
针对上述问题，本发明公开一种降低工业过程故障预警误报率的方法，可针对工业过程，根据工艺将变量分为两类，并建立两个故障预警模型，综合判断是否发生故障。
本方法具有以下步骤：
(1)分析工艺过程和传感器分布情况，确定与故障相关的初始变量；
(2)将初始变量分成两个变量集：与产品质量直接相关的变量集V1、与产品质量非直接相关的变量集V2；
(3)选择正常工况下的历史数据，基于V1的数据建立模型M1并确定控制限；
(4)选择正常工况下的历史数据，基于V2的数据建立模型M2并确定控制限；
(5)预警时，针对每一组待测数据，先选取V2的数据输入到模型M2中，若低于控制限，则不发出故障预警，返回步骤(5)；否则转步骤(6)；
(6)将V1的数据输入到模型M1中，若低于控制限，则不发出故障预警，返回步骤(5)；否则发出故障预警。
本方法中，V1中包含的变量为：处于闭环控制系统中与产品质量直接相关的被控变量，以及与产品质量相关的开环不受控变量。
本方法中，V2中包含的变量为：处于闭环控制系统中与产品质量非直接相关的操纵变量。
有益效果：
本发明公开的工业过程故障检测方法，有针对性地选择相关变量进行建模，并且在建模过程中考虑到了闭环控制系统的影响，将变量分为质量直接相关变量和质量非直接相关变量并分别建模。当检测到干扰时，综合两个模型的结果进行判断，双重判断保障了预警结果的准确性，可以有效避免由干扰造成的误报，使故障预警结果更加准确。而先进行与产品质量非直接相关的变量集V2模型的故障检测，超限后再进行与产品质量直接相关的变量集V1模型的故障检测，相较于同时进行两个模型的故障检测，是考虑到数据异常可能是扰动，在闭环控制的调整下可能恢复正常，先后进行可以有效减少故障检测过程的运算量。这对于降低误报率，提高工程实用性，稳定生产具有重要应用价值。
附图说明
图1是降低工业过程故障预警误报率的方法实施流程图
图2是某炼油企业5号初馏塔的工艺及仪表示意图
图3是某炼油企业11月17日至11月19日模型M2故障预警结果
图4是某炼油企业11月18日至11月19日模型M1故障预警结果
图5是某炼油企业11月17日至11月19日不分离变量的故障预警结果
具体实施过程
下面结合附图以及具体的算例，给出详细的计算过程和具体操作流程，以对本发明作进一步说明。本实施案例在以本发明技术方案为前提下进行实施，但本发明的保护范围不限于下述的实施案例。
本案例以某炼油企业为例，该企业有多套原油蒸馏装置，其中5号常减压装置原油加工能力800万吨/年。由于加工原油种类多，该企业的初馏塔极易发生故障。下面以该装置初馏塔2018年11月18日17点左右发生的冲塔故障来说明本方法的有效性及实施过程，并介绍运用该方法成功预警并避免误报的案例。本案例实施流程如图1所示，具体的实施步骤如下：
(1)分析初馏塔的工作过程和传感器分布情况，确定与故障相关的初始变量。该企业5号初馏塔的工艺及仪表如图2所示。经工艺分析，与故障有关的变量有：初侧线流量(1)、初顶冷回流量(2)、初顶油孔板流量(19)、原油加工流量(15)、初侧集油箱液位(55)、塔顶温度(8)、初顶油气后冷器出口温度(47)、初顶回流罐液位(56)、初顶回流罐压力(4)、塔顶压力(5)、初馏塔顶初顶油温度(46)。
(2)在初始变量中进行分类，由图1可知，该装置包含多个闭环控制。选择被控变量5个：初侧集油箱液位(55)、塔顶温度(8)、初顶油气后冷器出口温度(47)、初顶回流罐液位(56)、初顶回流罐压力(4)；与质量相关的开环不受控变量2个：塔顶压力(5)、初馏塔顶初顶油温度(46)，共计7个变量为变量集V1。选择操纵变量4个为变量集V2：初侧线流量(1)、初顶冷回流量(2)、初顶油孔板流量(19)、原油加工流量(15)。
(3)该初馏塔在11月12日～11月16日正常工作，选取该时段历史数据共7200组作为训练集，将变量集V1组成样本矩阵，选择DPCA作为建模方法，建立模型M1，其中时间滞后因子为2，主元个数为6，SPE和T2统计量控制限分别为1.9850和16.8409，具体如表1所示。
表1基于DPCA的模型M1参数
(4)同样地，选取该初馏塔在11月12日～11月16日的历史数据共7200组数据作为训练集，将变量集V2组成样本矩阵，采用DPCA建立模型M2，具体参数与结果如表2所示。
表2基于DPCA的模型M2参数
(5)对11月17日～11月19日的数据进行测试。针对待测数据，先选取V2组成待测样本矩阵，输入到模型M2中，得到的预测结果如图3所示，SPE和T2统计量同时越界的时刻由黑色竖线标出，视为数据异常。由图3可知，在11月18日6:39之前，操纵变量的SPE和T2统计量没有同时越界，因此该初馏塔一直工作在正常工况下。
(6)11月18日6:39开始，M2中的统计量持续3分钟越界，此时需要将V1的数据输入到模型M1中，得到的预测结果如图4所示。可知在11月18日14:04之前，M1中的统计量没有同时越界，因此6:39～6:42的数据异常只是扰动，在闭环控制的调整下已恢复正常，并无故障发生。
由图3、图4可知，11月18日14:10～14:24，M2中数据出现异常，此时M1中的数据也是异常状态，说明扰动过大，通过操纵变量调整已无法使被控变量恢复到正常范围内，视为故障，应发出故障预警。人工发现故障时间为17:00左右，本方法提前了约2个小时。
为验证本方法降低误报的性能，用不分离变量的常规DPCA方法对该初馏塔进行故障预警，即把所有故障相关变量组成样本矩阵进行DPCA分析，同样对11月17日～11月19日的数据进行测试，结果如图5所示。经对比，6:39～6:42期间在图5中出现了报警，这显然属于误报。进一步对比发现，传统的DPCA方法在11月17日7:29～7:42，11月17日20:51～11月18日4:02，11月18日6:17～8:23(含6:39～6:42)这几个时段均发生多次误报，误报率较高。而本方法在准确预警故障的同时，没有发生误报，因此在包含闭环控制的工业过程故障预警中具有很强的实用价值。
Claims (2)
1.一种降低工业过程故障预警误报率的方法，其特征在于针对包含闭环控制的工业过程，根据工艺将变量分为两类，并建立两个故障预警模型，综合判断是否发生故障，具有以下步骤：
(1)分析工艺过程和传感器分布情况，确定与故障相关的初始变量；
(2)将初始变量分成两个变量集：与产品质量直接相关的变量集V1、与产品质量非直接相关的变量集V2；V1中包含的变量为：处于闭环控制系统中与产品质量直接相关的被控变量，以及与产品质量相关的开环不受控变量；V2中包含的变量为：处于闭环控制系统中与产品质量非直接相关的操纵变量；
(3)选择正常工况下的历史数据，基于V1的数据建立模型M1并确定控制限；
(4)选择正常工况下的历史数据，基于V2的数据建立模型M2并确定控制限；
(5)预警时，针对每一组待测数据，先选取V2的数据输入到模型M2中，若低于控制限，
则不发出故障预警，返回步骤(5)；否则转步骤(6)；
(6)将V1的数据输入到模型M1中，若低于控制限，则不发出故障预警，返回步骤(5)；
否则发出故障预警
其中，采用基于多元统计分析的故障检测方法建立模型M1或M2，并进行故障预警。
2.根据权利要求1所述的一种降低误报率的工业过程故障预警方法，其特征在于控制限是指SPE和T2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010236809.XA CN111413949B (zh) | 2020-03-30 | 2020-03-30 | 一种降低工业过程故障预警误报率的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010236809.XA CN111413949B (zh) | 2020-03-30 | 2020-03-30 | 一种降低工业过程故障预警误报率的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111413949A CN111413949A (zh) | 2020-07-14 |
| CN111413949B true CN111413949B (zh) | 2023-12-01 |
Family
ID=71491549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010236809.XA Active CN111413949B (zh) | 2020-03-30 | 2020-03-30 | 一种降低工业过程故障预警误报率的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111413949B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112947150B (zh) * | 2021-01-28 | 2023-02-28 | 南京富岛信息工程有限公司 | 一种考虑在线分析仪异常的过程故障预警方法 |
| CN112596398B (zh) * | 2021-03-08 | 2021-05-28 | 南京富岛信息工程有限公司 | 一种连续重整过程稳态监测及失稳预警方法 |
| CN113741372B (zh) * | 2021-09-08 | 2023-01-24 | 南京富岛信息工程有限公司 | 一种降低工业过程控制系统偏差攻击误报的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109143995A (zh) * | 2018-07-13 | 2019-01-04 | 浙江大学 | 一种基于质量相关慢特征充分分解的闭环系统精细运行状态监测方法 |
| CN109978059A (zh) * | 2019-03-28 | 2019-07-05 | 南京富岛信息工程有限公司 | 一种原油蒸馏过程初馏塔冲塔故障预警方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6781383B2 (en) * | 2002-09-24 | 2004-08-24 | Scientific System Research Limited | Method for fault detection in a plasma process |
| CN103760889B (zh) * | 2014-01-06 | 2016-05-25 | 上海交通大学 | 基于贝叶斯网的故障分离快速方法 |
| US9002678B1 (en) * | 2014-01-10 | 2015-04-07 | King Fahd University Of Petroleum And Minerals | Unified approach to detection and isolation of parametric faults using a kalman filter residual-based approach |
| CN108664002B (zh) * | 2018-04-27 | 2021-06-29 | 中国石油大学(华东) | 一种面向质量的非线性动态过程监控方法 |
-
2020
- 2020-03-30 CN CN202010236809.XA patent/CN111413949B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109143995A (zh) * | 2018-07-13 | 2019-01-04 | 浙江大学 | 一种基于质量相关慢特征充分分解的闭环系统精细运行状态监测方法 |
| CN109978059A (zh) * | 2019-03-28 | 2019-07-05 | 南京富岛信息工程有限公司 | 一种原油蒸馏过程初馏塔冲塔故障预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111413949A (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111413949B (zh) | 一种降低工业过程故障预警误报率的方法 | |
| CA2578612C (en) | System and method for abnormal event detection in the operation of continuous industrial processes | |
| US8005645B2 (en) | Application of abnormal event detection technology to hydrocracking units | |
| CN104699077B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
| CN107272667B (zh) | 一种基于平行的偏最小二乘法的工业过程故障检测方法 | |
| JP2010506253A (ja) | 多変量統計解析を用いたプロセスの監視および診断 | |
| EP2188678A1 (en) | System and method for empirical ensemble-based virtual sensing | |
| CN112363462B (zh) | 一种静-动态协同感知的复杂工业过程运行状态评价方法 | |
| TWI663569B (zh) | 多工作站系統的品質預測方法及其系統 | |
| CN115407753B (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
| TW202211341A (zh) | 從處理追蹤預測裝備故障模式 | |
| CN108716398B (zh) | 基于慢特征分析的控压钻井过程故障检测方法及装置 | |
| CN106354125A (zh) | 一种利用分块pca检测化工过程故障的方法 | |
| CN109978059B (zh) | 一种原油蒸馏过程初馏塔冲塔故障预警方法 | |
| CN114625009B (zh) | 一种基于系统辨识和最优滤波的故障检测方法 | |
| CN111338310B (zh) | 一种工业过程稳态工况识别与分类方法 | |
| CN112560924A (zh) | 基于动态内部慢特征分析的丙烯精馏塔状态监控方法 | |
| CN115169832A (zh) | 一种基于曲线形态变化的敏感性分析方法及系统 | |
| Liu et al. | Large‐scale dynamic process monitoring based on performance‐driven distributed canonical variate analysis | |
| Wada et al. | New Qualitative and Informative Approach to Evaluate Process Plant Operation Stability with Clustering Analysis | |
| Shang et al. | Covariance eigenpairs neighbour distance for fault detection in chemical processes | |
| Ban et al. | Quality traceability of converter steelmaking based on adaptive feature selection and multiple linear regression | |
| CN113467434B (zh) | 基于双层k近邻标准化的CCA发酵过程KPI相关故障监测方法 | |
| Wang et al. | An intelligent process fault diagnosis system integrating Andrews plot, PCA and neural networks | |
| CN112947150B (zh) | 一种考虑在线分析仪异常的过程故障预警方法 |
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 |