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

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,…,x_m作为监测变量，其中，变量x_s(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

(2)根据工艺机理，选取不包含变量x_s的变量u₁,u₂,…,u_n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

(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

(4)对统计量

和

分别进行滤波，若滤波后统计量

或

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ξ_i的重构量作为该变量的贡献，按照下式分解统计量I：

I(x_i)＝||M^1/2x_i||²＝||M^1/2ξ_if||²

其中，f为需要重构的部分，x_i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W_d，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：

②最小化I(x_i)，得到f的最优值：

③计算变量x_i的重构贡献

④判断贡献度最大的变量是否为x_s，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

(7)对

和

分别进行滤波，若滤波后

或

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

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：

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：

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

如表2所示：

表2不同模型训练得到的控制限

(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：

其中，W_d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：

则变量贡献矩阵为：

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,… ,x_m作为监测变量，其中，变量x_s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

(2)选取不包含变量x_s的变量u₁,u₂,… ,u_n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

(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x_s，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ξ_i的重构量作为该变量的贡献，按照下式分解统计量I：

I(x_i)＝||M^1/2x_i||²＝||M^1/2ξ_if||²

其中，f为需要重构的部分，x_i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(x_i)，得到f的最优值：

(3)计算变量x_i的重构贡献

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W_d，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：

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。

Images