CN112947150B - 一种考虑在线分析仪异常的过程故障预警方法 - Google Patents

一种考虑在线分析仪异常的过程故障预警方法 Download PDF

Info

Publication number
CN112947150B
CN112947150B CN202110117079.6A CN202110117079A CN112947150B CN 112947150 B CN112947150 B CN 112947150B CN 202110117079 A CN202110117079 A CN 202110117079A CN 112947150 B CN112947150 B CN 112947150B
Authority
CN
China
Prior art keywords
variable
early warning
monitoring
analyzer
statistic
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
CN202110117079.6A
Other languages
English (en)
Other versions
CN112947150A (zh
Inventor
陈夕松
王鹤莹
杨向文
梅彬
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.)
NANJING RICHISLAND INFORMATION ENGINEERING CO LTD
Original Assignee
NANJING RICHISLAND INFORMATION ENGINEERING CO LTD
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 NANJING RICHISLAND INFORMATION ENGINEERING CO LTD filed Critical NANJING RICHISLAND INFORMATION ENGINEERING CO LTD
Priority to CN202110117079.6A priority Critical patent/CN112947150B/zh
Publication of CN112947150A publication Critical patent/CN112947150A/zh
Application granted granted Critical
Publication of CN112947150B publication Critical patent/CN112947150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/04Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428Safety, monitoring
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/20Pc systems
    • G05B2219/24Pc safety
    • G05B2219/24024Safety, surveillance
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种考虑在线分析仪异常的过程故障预警方法,依据在线分析仪使用与否两种情况下的历史数据,分别建立故障监测模型,使用包含在线分析仪的模型对工业过程进行在线监测,发生故障时进行故障隔离,若隔离出的结果显示在线分析仪异常,则切换至另一套模型进行在线监测,待在线分析仪恢复正常后使用原模型监测。该方法避免将错误的变量数据纳入故障监测,可显著降低工业过程因在线分析仪频繁维护而导致的误报率。

Description

一种考虑在线分析仪异常的过程故障预警方法
技术领域
本发明涉及流程工业过程中的故障检测领域,具体为一种针对在线分析仪异常的故障预警方法。
背景技术
随着快速性质检测技术的发展,在线分析仪表逐渐在流程行业中得到成功应用,将分析仪表的检测结果纳入故障监控过程,可对质量相关的指标进行直接监控,对稳定产品质量具有重要价值。
在线分析仪表安装在工业现场,往往需要通过引流的方式将管道内的样品引入分析小屋。在分析小屋内进行恒温、恒压等预处理后,送给在线分析仪(如近红外、拉曼光谱分析仪等等)进行分析。除恒温、恒压控制要求外,在线分析仪还需要去除样品杂质、气泡等等。这些工作导致在线分析仪时常处于维护状态,而且往往需要专业人员,维护时间较长。因此,目前在线分析仪还无法像温度、压力、流量等常规仪表那样,可以在线长期免维护运行。
在线分析仪一旦进行维护,其输出将不再反映当前工况,如输出突变为0,此时若仍将该结果纳入预警监控,会产生误报。因此,在实际的工业生产过程中,快速、准确识别出在线分析仪异常是故障检测的重要环节。事实上,在分析仪异常时,生产中使用的控制系统,如集散控制系统此时将采用另一种控制模式,即不再以在线分析仪的检测结果为控制目标。显然,此时控制模式已发生改变,若仍然沿用先前的故障监测模型,明显是不合理的。所以,及时切换故障监测模型,避免因分析仪表异常导致的频繁误报,是目前流程工业过程中故障监测领域亟需解决的问题。
发明内容
针对上述问题,本发明公开一种考虑在线分析仪异常的过程故障预警方法,使用慢特征分析方法进行在线故障监测,发生故障时通过故障隔离识别在线分析仪异常情况,并决定监测模型的切换。
本发明分为建立离线故障预警模型和工业过程在线监测两个部分,其中建模的具体步骤如下:
(1)根据工艺机理,选取变量x1,x2,…,xm作为监测变量,其中,变量xs(1≤s≤m)为在线分析仪的分析结果,从监测变量中选取k个连续时刻的正常样本,采用慢特征分析方法建立故障预警模型M1并选取p个慢特征计算控制限
Figure BDA0002920776460000011
(2)根据工艺机理,选取不包含变量xs的变量u1,u2,…,un作为监测变量,从监测变量中选取未使用分析仪时k个连续时刻的正常样本,采用慢特征分析方法建立故障预警模型M2并选取q个慢特征计算控制限
Figure BDA0002920776460000021
(3)使用模型M1对工业过程进行在线监测,选取p个慢特征计算当前时刻统计量
Figure BDA0002920776460000022
Figure BDA0002920776460000023
(4)对统计量
Figure BDA0002920776460000024
Figure BDA0002920776460000025
分别进行滤波,若滤波后统计量
Figure BDA0002920776460000026
Figure BDA0002920776460000027
均未超限,返回步骤(3),否则转步骤(5);
(5)分解超限的统计量,进行故障隔离,具体步骤如下:
①使用监控统计量沿方向ξi的重构量作为该变量的贡献,按照下式分解统计量I:
I(xi)=||M1/2xi||2=||M1/2ξif||2
其中,f为需要重构的部分,xi表示第i个监测变量,矩阵M为不同统计量抽取出的公共形式,对于统计量S2和T2,M计算方式如下:
计算原始训练集X到慢特征矩阵S的变换矩阵W:
W=SX+
其中,X+表示X的伪逆,选取W的前l列构成矩阵Wd,l为建模选取的慢特征数;计算所选慢特征的变化快慢程度,并由大到小排列,组成对角阵O;计算统计量S2和T2对应的M矩阵:
Figure BDA0002920776460000028
Figure BDA0002920776460000029
②最小化I(xi),得到f的最优值:
Figure BDA00029207764600000210
③计算变量xi的重构贡献
Figure BDA00029207764600000211
Figure BDA00029207764600000212
④判断贡献度最大的变量是否为xs,若为该变量,则转步骤(6),否则进行故障预警;
(6)使用模型M2对当前过程进行在线监测,选取q个慢特征计算当前时刻统计量
Figure BDA00029207764600000213
Figure BDA0002920776460000031
(7)对
Figure BDA0002920776460000032
Figure BDA0002920776460000033
分别进行滤波,若滤波后
Figure BDA0002920776460000034
Figure BDA0002920776460000035
统计量均未超限,返回步骤(6),否则进行故障预警;
(8)待确认在线分析仪恢复正常后,返回步骤(3)。
有益效果:
本发明公开了一种考虑在线分析仪异常的流程工业过程故障预警方法,该方法可快速、准确识别出在线分析仪的异常,并通过在线监测模型的切换以降低误报率。相较于常规方法,该方法能有效识别在线分析仪异常,及时切换监测模型,显著降低流程工业的故障误报率。
附图说明
图1是模拟工业过程的仿真图;
图2是采用本发明方法进行故障监控的流程图;
图3是在线分析仪异常时的故障监测结果;
图4是在线分析仪异常时的故障隔离结果热力图;
图5是切换模型后的故障监测结果;
图6是非在线分析仪异常时的故障监测结果。
具体实施过程
下面结合附图以及具体的模拟仿真算例,由详细的计算过程和具体的操作流程说明本方法在工业过程中的实施效果。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例。
本仿真算例模拟典型的流程工业过程,如图1所示。流程工业中的生产工艺流程一般都很长,实际生产中往往根据工艺过程划分为多个工序,分别对每个工序施加控制。生产中,一个扰动往往会沿着工艺流程向后扩散,也就是说,若上一工序控制不稳,会对后续环节带来不利影响。为模拟上述特点,本实施例搭建了多个闭环回路,并将前一级的控制输出作为下一级控制闭环的扰动。
考虑到流程过程中的控制回路多以单闭环及串级控制为主,本仿真模型搭建了多个单闭环和串级控制回路。在含有在线分析仪的产品质量控制回路中,通常都采用串级控制来提高控制效果,即外环为质量控制环,内环一般为温度及流量环。在线分析仪一旦出现故障后,控制系统一般都摘除外环,以内环控制量,如温度作为控制目标,以此来维持产品质量的基本稳定。
此外,为贴近真实的工业流程,本实施例将被控对象均设计为工业过程中最典型的传递函数形式,即一阶惯性加纯滞后环节。为模拟实际的测控系统,在每个被控参数上都叠加有一定幅度的高斯噪声。本实施例中,将最后一个被控参数,即变量9作为通过在线分析仪分析测得的产品质量参数。该仿真例中的控制器采用比例积分微分(PID)控制,各PID控制器参数如表1所示。
表1控制器参数
Figure BDA0002920776460000041
结合本实施例,本发明具体的实施步骤如图2所示,具体如下:
(1)采用图1的模型进行仿真,仿真时长为5000s,采样间隔为1s,获取9个变量的仿真数据,记作数据集U1,其中,变量9为在线分析仪的检测结果:
Figure BDA0002920776460000042
将U1的第500至第3500个数据用作训练集,采用慢特征分析方法建立故障预警模型M1
(2)为模拟在线分析仪异常后处于维护状态的情况,将最后一个三环串级控制回路的最外环做开环处理,并去除⑦号控制器,此时再次进行5000s、采样间隔为1s的仿真,得到在线分析仪未投入使用情况下变量1至变量8的数据,记作数据集U2
Figure BDA0002920776460000043
将U2的第500至第3500个数据用作训练集,采用慢特征分析方法建立故障预警模型M2。本实施例建立模型M1、M2时计算得到的控制限
Figure BDA0002920776460000051
如表2所示:
表2不同模型训练得到的控制限
Figure BDA0002920776460000052
(3)为模拟在线分析仪异常,将数据集U1中变量9第4000个开始的数据置为0,并使用模型M1对第3500至第5000个数据进行故障监测,本实施例中,对统计量S2、T2滤波采用的系数α=0.7,滤波后的结果如图3所示;
(4)对超限的统计量T2进行故障隔离,首先计算统计量T2对应的M矩阵:
Figure BDA0002920776460000053
其中,Wd为建立模型M1时,训练集到慢特征矩阵的变换矩阵前l=7列构成的矩阵,O为所选慢特征的变化快慢程度由大到小排列组成对角阵:
Figure BDA0002920776460000054
Figure BDA0002920776460000055
则变量贡献矩阵为:
Figure BDA0002920776460000056
该结果所绘热力图如图4所示,结果表明,变量9在第501个时刻(对应第3500+501=4001个数据点)即被识别为故障贡献最大的变量,离异常发生仅1s。可见,在线分析仪异常时,模型可快速准确地检测到故障,从而为下一步的模型切换做好准备;
(5)由于检测出在线分析仪异常,将当前的故障监控模型切换至模型M2,并对数据集U2的第3500个至第5000个数据进行故障监测。
(6)如图5所示,此时故障报警消失,表明先前的故障报警确由在线分析仪异常所引起。
上述结果表明本发明提出的方法能够及时检测出工业过程中发生的故障。故障未发生时各变量贡献度均衡,如图4所示,而从第501个数据点开始,变量9的故障贡献持续高于其他变量,表明该变量为主要的故障变量。由此可知,故障发生时,本发明提出的方法能够正确隔离出故障变量,且对故障贡献度最大的变量进行分析,若发现在线分析仪异常,则进行模型切换,采用未使用分析仪时的训练数据建立的模型M2进行在线监测,避免将分析仪异常时的结果纳入故障监控而导致误报。
此外,为进一步验证本方法不管在分析仪是否投用下的有效性,在步骤(3)场景下,即分析仪未使用时进行时长为1500s、采样间隔为1s的仿真。其中,在第500s时将幅值为1.5的阶跃扰动加在第6个被控对象上,并在801s时将此阶跃幅值置为0,获取变量1至变量8的仿真数据并采用模型M2进行监测。本实施例中,对统计量S2、T2滤波采用的系数α=0.7,滤波后的结果如图6所示。
图6中第501个样本点开始发现统计量持续超限,表明故障发生,与实际情况完全相符。故障发生期间,虽然统计量S2有一段时间低于控制限,但统计量T2仍高于控制限,表明故障持续存在。在去除强扰动后,经过一段时间的调节,统计量均降低到控制限以下。在分析仪投用的情况下,采用上述类似的方法可得到同样分析结果。
由上述分析可知,本发明提出的方法能够正确标识出在线分析仪异常,利用故障隔离的结果及时进行模型切换,避免将错误的变量数据纳入故障监测,可显著降低工业过程因在线分析仪频繁维护而导致的误报率。此外,本方法不管在分析仪是否投用下均具有较好的通用性和有效性。

Claims (5)

1.一种考虑在线分析仪异常的过程故障预警方法,其特征在于识别工业过程中在线分析仪表异常情况,切换故障预警模型并进行在线监测,具有以下步骤:
(1)选取变量x1,x2,… ,xm作为监测变量,其中,变量xs为在线分析仪的分析结果,1≤s≤m;从监测变量中选取k个连续时刻的正常样本,采用慢特征分析方法建立故障预警模型M1并选取p个慢特征计算控制限
Figure FDA0003924952260000011
(2)选取不包含变量xs的变量u1,u2,… ,un作为监测变量,从监测变量中选取未使用分析仪时k个连续时刻的正常样本,采用慢特征分析方法建立故障预警模型M2并选取q个慢特征计算控制限
Figure FDA0003924952260000012
(3)使用模型M1对工业过程进行在线监测,选取p个慢特征计算当前时刻统计量S1 2、T1 2
(4)对S1 2和T1 2分别进行滤波,若滤波后统计量S1 2或T1 2均未超限,返回步骤(3),否则转步骤(5);
(5)分解超限的统计量,进行故障隔离,判断贡献度最大的变量是否为xs,若为该变量,则转步骤(6),否则进行故障预警;
(6)使用模型M2对当前过程进行在线监测,选取q个慢特征计算当前时刻统计量S2 2、T2 2
(7)对统计量S2 2和T2 2分别进行滤波,若滤波后统计量S2 2或T2 2均未超限,返回步骤(6),否则进行故障预警;
(8)待确认在线分析仪恢复正常后,返回步骤(3)。
2.根据权利要求1所述的一种考虑在线分析仪异常的过程故障预警方法,其特征在于按照下式进行滤波:
y*(t)=αy(t)+(1-α)y*(t-1)
其中,0≤α≤1,y(t)表示当前时刻计算出的统计量,y*(t)表示滤波后的统计量,y*(t-1)表示上一时刻滤波后的统计量。
3.根据权利要求1所述的一种考虑在线分析仪异常的过程故障预警方法,其特征在于计算变量故障贡献度的具体步骤如下:
(1)使用监控统计量沿方向ξi的重构量作为该变量的贡献,按照下式分解统计量I:
I(xi)=||M1/2xi||2=||M1/2ξif||2
其中,f为需要重构的部分,xi表示第i个监测变量,矩阵M为统计量S2和T2抽取出的公共形式;
(2)最小化I(xi),得到f的最优值:
Figure FDA0003924952260000013
(3)计算变量xi的重构贡献
Figure FDA0003924952260000014
Figure FDA0003924952260000021
4.根据权利要求3所述的一种考虑在线分析仪异常的过程故障预警方法,其特征在于M的计算方式如下:
(1)计算原始训练集X到慢特征矩阵S的变换矩阵W:
W=SX+
其中,X+表示X的伪逆;
(2)选取W的前l列构成矩阵Wd,l为建模选取的慢特征数;
(3)计算所选慢特征的变化快慢程度,并由大到小排列,组成对角阵O;
(4)计算统计量对应的M矩阵:
Figure FDA0003924952260000022
Figure FDA0003924952260000023
5.根据权利要求4所述的一种考虑在线分析仪异常的过程故障预警方法,其特征在于训练集样本数k≥1000。
CN202110117079.6A 2021-01-28 2021-01-28 一种考虑在线分析仪异常的过程故障预警方法 Active CN112947150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110117079.6A CN112947150B (zh) 2021-01-28 2021-01-28 一种考虑在线分析仪异常的过程故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110117079.6A CN112947150B (zh) 2021-01-28 2021-01-28 一种考虑在线分析仪异常的过程故障预警方法

Publications (2)

Publication Number Publication Date
CN112947150A CN112947150A (zh) 2021-06-11
CN112947150B true CN112947150B (zh) 2023-02-28

Family

ID=76238576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110117079.6A Active CN112947150B (zh) 2021-01-28 2021-01-28 一种考虑在线分析仪异常的过程故障预警方法

Country Status (1)

Country Link
CN (1) CN112947150B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108716398A (zh) * 2018-06-21 2018-10-30 中国石油大学(北京) 基于慢特征分析的控压钻井过程故障检测方法及装置
CN109189020A (zh) * 2018-09-11 2019-01-11 浙江大学 一种基于动静态特性协同分析的大型燃煤机组燃烧系统综合监测方法
CN109871000A (zh) * 2019-02-25 2019-06-11 山东科技大学 一种数据驱动的闭环工业过程传感器故障诊断方法
CN110209144A (zh) * 2019-05-16 2019-09-06 浙江大学 基于动静协同差异分析的两层实时监测与报警溯源方法
CN111126671A (zh) * 2019-11-29 2020-05-08 南京富岛信息工程有限公司 一种炼油生产中初馏塔冲塔故障预警的方法
CN111324105A (zh) * 2020-02-27 2020-06-23 山东科技大学 一种基于统计量马氏距离的微小传感器故障检测和分离方法
CN111413949A (zh) * 2020-03-30 2020-07-14 南京富岛信息工程有限公司 一种降低工业过程故障预警误报率的方法
CN111680725A (zh) * 2020-05-28 2020-09-18 哈尔滨工业大学 基于重构贡献的气体传感器阵列多故障隔离算法
CN111736567A (zh) * 2020-05-12 2020-10-02 江南大学 一种基于故障敏感慢特征的多块故障监测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108716398A (zh) * 2018-06-21 2018-10-30 中国石油大学(北京) 基于慢特征分析的控压钻井过程故障检测方法及装置
CN109189020A (zh) * 2018-09-11 2019-01-11 浙江大学 一种基于动静态特性协同分析的大型燃煤机组燃烧系统综合监测方法
CN109871000A (zh) * 2019-02-25 2019-06-11 山东科技大学 一种数据驱动的闭环工业过程传感器故障诊断方法
CN110209144A (zh) * 2019-05-16 2019-09-06 浙江大学 基于动静协同差异分析的两层实时监测与报警溯源方法
CN111126671A (zh) * 2019-11-29 2020-05-08 南京富岛信息工程有限公司 一种炼油生产中初馏塔冲塔故障预警的方法
CN111324105A (zh) * 2020-02-27 2020-06-23 山东科技大学 一种基于统计量马氏距离的微小传感器故障检测和分离方法
CN111413949A (zh) * 2020-03-30 2020-07-14 南京富岛信息工程有限公司 一种降低工业过程故障预警误报率的方法
CN111736567A (zh) * 2020-05-12 2020-10-02 江南大学 一种基于故障敏感慢特征的多块故障监测方法
CN111680725A (zh) * 2020-05-28 2020-09-18 哈尔滨工业大学 基于重构贡献的气体传感器阵列多故障隔离算法

Also Published As

Publication number Publication date
CN112947150A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN109459993B (zh) 一种流程工业过程在线自适应故障监测与诊断方法
JP4289602B2 (ja) プロセス監視方法
CN109143995B (zh) 质量相关慢特征分解的闭环系统精细运行状态监测方法
CN108227653B (zh) 一种基于随机化核主元分析的大规模非线性过程监控方法
CN101964021B (zh) 基于递归核主元分析的青霉素发酵过程故障监测方法
CN106680012A (zh) 一种面向大型燃煤发电机组非平稳过程的故障检测方法和诊断方法
CN112631258B (zh) 一种工业过程关键指标的故障预警方法
CN106845826B (zh) 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法
CN111413949B (zh) 一种降低工业过程故障预警误报率的方法
CN111324110A (zh) 一种基于多块收缩自动编码器的发酵过程故障监测方法
CN112947150B (zh) 一种考虑在线分析仪异常的过程故障预警方法
CN112214006A (zh) 考虑两维动态特性的间歇过程故障检测方法及系统
CN109978059B (zh) 一种原油蒸馏过程初馏塔冲塔故障预警方法
CN110083797B (zh) 一种滴灌管生产线异常实时监测方法及系统
CN103926919A (zh) 基于小波变换和Lasso函数的工业过程故障检测方法
CN101833330A (zh) 基于无激励闭环辨识的控制性能测试方法
CN115903676A (zh) 一种基于主元分析的闭环系统过程监测方法
CN109522657B (zh) 一种基于相关性网络和svdd的燃气轮机异常检测方法
CN115310561B (zh) 一种基于集成即时学习的电磁阀故障监测方法
CN111126671A (zh) 一种炼油生产中初馏塔冲塔故障预警的方法
EP4268029A1 (de) Verfahren und system zur prädiktion des betriebs einer technischen anlage
CN114200914A (zh) 一种基于mw-occa的质量相关早期故障检测方法
CN114527731A (zh) 基于监督概率慢特征分析的工业过程运行状态评价方法
Xie et al. Root cause diagnosis with error correction model based granger causality
CN111897203A (zh) 基于数据驱动和机理建模状态监测的加热器经济调节方法

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