CN113156908B - 一种机理与数据联融合的多工况工业过程监测方法和系统 - Google Patents

一种机理与数据联融合的多工况工业过程监测方法和系统 Download PDF

Info

Publication number
CN113156908B
CN113156908B CN202110581890.XA CN202110581890A CN113156908B CN 113156908 B CN113156908 B CN 113156908B CN 202110581890 A CN202110581890 A CN 202110581890A CN 113156908 B CN113156908 B CN 113156908B
Authority
CN
China
Prior art keywords
working condition
fault detection
matrix
data set
data
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
CN202110581890.XA
Other languages
English (en)
Other versions
CN113156908A (zh
Inventor
阳春华
梁慧平
黄科科
孙备
李繁飙
桂卫华
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 CN202110581890.XA priority Critical patent/CN113156908B/zh
Publication of CN113156908A publication Critical patent/CN113156908A/zh
Application granted granted Critical
Publication of CN113156908B publication Critical patent/CN113156908B/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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by the network communication
    • 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
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31088—Network communication between supervisor and cell, machine group
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明公开了一种机理与数据联融合的多工况工业过程监测方法和系统，其方法为：将监测数量满足预设值的工业过程工况设为主工况，否则设为副工况；利用主工况正常时的历史监测数据集建立主工况故障检测模型；将主工况正常时的历史监测数据集和副工况正常时的历史监测数据集，均采用CSL方法映射到公共子空间，并利用公共子空间中的数据建立副工况故障检测模型；对于主工况的在线监测数据，使用主工况故障检测模型对工业过程进行故障检测；对于副工况的在线监测数据，采用CSL方法将其映射到公共子空间，再使用副工况故障检测模型对工业过程进行故障检测。本发明可以实现大型复杂工业过程准确的故障检测与诊断。

Description

一种机理与数据联融合的多工况工业过程监测方法和系统
技术领域
本发明属于工业过程监测领域，具体涉及一种机理与数据联融合的多工况工业过程监测方法和系统。
背景技术
如今，工业过程普遍朝着复杂化、多智能化的方向发展。面对越来越复杂的工业过程，保证工业过程稳定安全的运行变得越来越重要和更具有挑战性。以锌冶炼焙烧过程为例，一旦该过程出现异常工况如床层沉积，将带来巨大的经济损失和坏境污染，对焙烧过程不恰当的操作甚至可能造成人员安全事故。
过程监控是保证生产过程安全稳定运行的重要手段。目前，许多学者对过程监测进行了广泛的研究。一般来说，过程监控方法可分为三种类型：基于定量模型的方法、基于定性模型的方法和数据驱动的方法。Wu等人分析了熔融镁炉异常工况产生的原因和故障现象，总结了异常工况的规律，实现了基于规则的异常工况识别。黄科科等人假设不同工况下的数据由一种特殊模式和一种公共模式组成，提出了一种结构字典学习模型，并成功地应用于铝电解过程。Wang等人开发了一种结合人工神经网络和专家系统的方法来实现溶解气体分析(DGA)变压器的故障诊断。
上述方法虽然在一定程度上取得了良好的过程监控性能，但没有考虑多工况过程数据量的不平衡特性，且监控对象的机理相对简单。然而，大型复杂工业过程机理往往十分复杂，存在多种工况，且各工况间的数据量往往是不平衡的，同时由于操作人员的实时干预，异常工况一般比较匮乏，无论是基于机理模型还是数据驱动均难以实现准确的过程监测。
发明内容
本发明提供一种用于多工况数据不平衡的工业过程监测方法和设备，充分考虑工业过程中工况数据量不平衡和异常工况数据匮乏的特点，可以实现大型复杂工业过程准确的故障检测。
为实现上述技术目的，本发明采用如下技术方案：
一种机理与数据联融合的多工况工业过程监测方法，包括：
将监测数量满足预设值的工业过程工况设为主工况，否则设为副工况；
利用主工况正常时的历史监测数据集建立主工况故障检测模型；将主工况正常时的历史监测数据集和副工况正常时的历史监测数据集，均采用CSL方法映射到公共子空间，并利用公共子空间中的数据建立副工况故障检测模型；
对于主工况的在线监测数据，使用主工况故障检测模型对工业过程进行故障检测；对于副工况的在线监测数据，采用CSL方法将其映射到公共子空间，再使用副工况故障检测模型对工业过程进行故障检测。
在更优的技术方案中，采用CSL方法将监测数据映射到公共子空间的映射矩阵为W，求解方法为：
(1)获取主工况正常时的历史监测数据集
Figure BDA0003081813810000021
和副工况正常时的历史监测数据集
Figure BDA0003081813810000022
进行高维映射分别得到
Figure BDA0003081813810000023
再对
Figure BDA0003081813810000024
中心化得到
Figure BDA0003081813810000025
ne和nh分别为Xe和Xh包括的历史监测数据的数量，ne＞＞nh，m为监测数据的维度；
(2)设置求解映射矩阵W的目标函数为：
Figure BDA0003081813810000026
式中，M为MMD矩阵，H为中心矩阵，K为数据集X＝[Xe,Xh]的核矩阵,
Figure BDA0003081813810000027
为K中心化得到的核矩阵，μ是正则项的系数参数，且有：
Figure BDA0003081813810000028
Figure BDA0003081813810000029
Figure BDA00030818138100000210
式中，M(i,j)为矩阵M的第i行第j列个元素，
Figure BDA00030818138100000211
为矩阵
Figure BDA00030818138100000212
的第i行第j列个元素，1是长度为ne+nh的全1列向量，
Figure BDA00030818138100000213
表示大小为ne+nh的单位矩阵；
(3)求解目标函数：取矩阵
Figure BDA00030818138100000214
的前w个特征向量得到映射矩阵W。
在更优的技术方案中，使用映射矩阵为W将数据集Xe和Xh映射到共享子空间分别得到
Figure BDA00030818138100000215
和
Figure BDA00030818138100000216
其中，
Figure BDA00030818138100000217
为矩阵
Figure BDA00030818138100000218
的前ne列，
Figure BDA00030818138100000219
为矩阵
Figure BDA00030818138100000220
的后nh列。
在更优的技术方案中，利用公共子空间中的数据建立副工况故障检测模型的方法为：(1)首先利用马氏距离作为工业过程副工况故障检测的统计量T2_CSL，对所有的副工况训练数据求马氏距离；(2)根据求得的nh个T2_CSL值，使用核密度估计求得统计量T2_CSL的控制限
Figure BDA0003081813810000031
即为副工况故障检测模型的控制限；
其中，以马氏距离作为统计量T2_CSL的计算式为：
Figure BDA0003081813810000032
式中，Σ是
Figure BDA0003081813810000033
的协方差矩阵，
Figure BDA0003081813810000034
Figure BDA0003081813810000035
表示矩阵
Figure BDA0003081813810000036
中的任意一列。
使用副工况故障检测模型对工业过程进行故障检测的方法为：(1)在线获取副工况的监测数据xh，计算其核向量kh＝K(X,xh)，并中心化处理得到
Figure BDA0003081813810000037
再通过映射矩阵W将数据
Figure BDA0003081813810000038
映射到公共子空间得到
Figure BDA0003081813810000039
(2)计算
Figure BDA00030818138100000310
的马氏距离得到其统计量
Figure BDA00030818138100000311
(3)将统计量
Figure BDA00030818138100000312
与控制限
Figure BDA00030818138100000313
比较，判断当前副工况是否异常；
其中，对核向量kh中心化处理得到
Figure BDA00030818138100000314
的表达式和统计量
Figure BDA00030818138100000315
的计算式分别为：
Figure BDA00030818138100000316
Figure BDA00030818138100000317
在更优的技术方案中，利用主工况正常时的历史监测数据集建立主工况故障检测模型，具体为：(1)获取主工况正常时的历史监测数据集
Figure BDA00030818138100000318
采用PCA方法将数据集Xe映射至主成分空间和残差空间；(2)在主成分空间计算数据集Xe中每个数据xe的统计量T2_PCA，并在残差空间通过重构数据计算数据集Xe中每个数据xe的统计量SPE_PCA；(3)使用核密度估计求得统计量T2_PCA的控制限
Figure BDA00030818138100000319
和统计量SPE_PCA的控制限SPElimitPCA，同时作为主工况故障检测模型的两个控制限；
其中，统计量T2_PCA和统计量SPE_PCA的计算式为：
Figure BDA00030818138100000320
Figure BDA0003081813810000041
式中，P是将数据集Xe映射至主成分空间所对应的映射矩阵，Λ＝diag{λ1,λ2,...,λs},λi为
Figure BDA0003081813810000042
的第i个特征向量；
使用主工况故障检测模型对工业过程进行故障检测的方法为：(1)在线获取主工况的监测数据xe，计算其对应的统计量T2_PCA和统计量SPE_PCA；(2)将(1)得到的统计量分别与其对应的控制限进行比较，若均小于其对应的控制限，则判断当前主工况正常，否则判断为异常。
在更优的技术方案中，所述方法还包括：采用RBR故障诊断模型对工况异常时的故障类型进行判断；其中，所述RBR故障诊断模型中的规则阈值参数，利用工况异常时的历史监测数据集Xab，采用粒子群优化算法优化得到，且识别所采用的适应度函数为：
Figure BDA0003081813810000043
式中，θ为RBR故障诊断模型中待优化的规则阈值参数，C为故障工况数，nj为数据集Xab中属于第j种故障工况的数据数量，xij为数据集Xab中属于第j种故障工况的第i个数据，f(·)即RBR故障诊断模型。
在更优的技术方案中，所述规则阈值参数θ包括：高效工况下标温的上限Tel和下限Teu，健康工况下的标温的上限Thl和下限Thu，焙烧炉烟气二氧化硫浓度的上限Sl和下限Su，鼓风压力与鼓风量之比的上限Ee和下限Eh。
在更优的技术方案中，所述工业过程为锌冶炼焙烧炉过程，其主工况是指高效工况，副工况是指健康工况。
一种机理与数据联融合的多工况工业过程监测系统，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项所述的方法。
有益效果
本发明首先获取主工况和副工况正常时的历史监测数据集，分别建立主工况故障检测模型和副工况故障检测模型；其中，建立副工况故障检测模型所采用的数据集，是将副工况正常时的历史监测数据集采用CSL方法映射到公共子空间得到的数据集。然后，即可使用主工况故障检测模型，通过对主工况的在线监测数据进行判断，实现对工业过程的主工况进行故障检测；或者使用副工况故障检测模型，通过对映射到公共子空间的副工况在线数据进行判断，实现对工业过程的副工况进行故障检测。本发明充分考虑工业过程各工况数据量不平衡和异常工况数据匮乏的特点，同时考虑工况间的差异和联系，对不同工况分别建模的同时，利用数据量多的工况辅助数据量少的工况建模；另外，对于异常工况，融合机理分析和数据驱动，可以实现大型复杂工业过程准确的故障检测与故障诊断。
附图说明
图1是本发明实施例1所述方法的流程图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
实施例1
本实施例提供一种机理与数据联融合的多工况工业过程监测方法，主要包括两个阶段：离线训练和在线监测。在离线训练阶段，首先使用各正常工况数据来训练多工况故障检测模型PCA-CSL，该模型同时考虑工况间的差异和联系，对不同工况分别建模的同时，利用数据量多的工况辅助数据量少的工况建模。对于数据充足的主工况，采用简单方便的PCA故障检测模型实现故障检测。对于数据不足的副工况，提出了一种CSL(common subspacelearning,主空间学习)算法，该算法利用主工况数据在一个公共子空间中辅助副工况建模。然后，基于故障机理和数据驱动的方法，建立工况决策规则库。在线监测阶段，采用多工况故障检测模型PCA-CSL实现故障检测。如果在线数据检测为异常，将触发RBR故障诊断模型。
锌冶炼焙烧炉过程是一个典型的多工况过程，故本实施例的工业过程以锌冶炼焙烧炉过程为例对本发明的技术方案进行解释说明。锌冶炼焙烧炉正常运行时存在两种典型正常工况：高效工况和健康工况。本实施例通过对锌冶炼焙烧过程的故障特征进行监控得到监测数据，大多数情况下，焙烧过程设定为高效工况，相应得到的监测数据量充足，因此将高效工况作为主工况。少数情况下为了提高焙烧炉的生命周期，焙烧过程被设定为健康工况，相应得到的监测数据量相对较少，因此将健康工况称为副工况。
首先获取主工况和副工况正常时的历史监测数据集，分别建立主工况故障检测模型和副工况故障检测模型。其中，建立副工况故障检测模型所采用的数据集，是将副工况正常时的历史监测数据集采用CSL方法映射到公共子空间得到的数据集。然后，即可使用主工况故障检测模型，通过对主工况的在线监测数据进行判断，实现对工业过程的主工况进行故障检测；或者使用副工况故障检测模型，通过对映射到公共子空间的副工况在线数据进行判断，实现对工业过程的副工况进行故障检测。
以下对本实施例的故障检测和诊断分别进行解释说明。
一、基于PCA-CSL的故障检测
1、获取主工况正常时的历史监测数据集
Figure BDA0003081813810000061
和副工况正常时的历史监测数据集
Figure BDA0003081813810000062
m为监测数据的维度，ne和nh分别为Xe和Xh包括的历史监测数据的数量，ne＞＞nh。
2、利用主工况正常时的历史监测数据集建立主工况故障检测模型，并对主工况进行故障检测。包括：
(1)采用PCA方法将数据集Xe映射至主成分空间和残差空间；
由于主工况的数据量足够用于训练建模，已经有很多学者提出了用于故障检测的算法，例如主成分分析、几何约束字典学习(GCDL)。本实施例引入PCA算法，以实现简单实用的故障检测。PCA算法通过最大化方差将主工况数据集Xe映射至主成分空间和残差空间。数学上，主成分分析法PCA的目标函数表述如下:
Figure BDA0003081813810000063
其中P∈Rm×p是映射矩阵。目标函数(1)可以用特征分解求解，P是
Figure BDA0003081813810000064
的前p个特征向量。将主工况数据集Xe采用PCA方法得到的映射矩阵进行映射，得到新数据集为PTXe。
(2)计算统计量T2_PCA和SPE_PCA
对于每个主工况数据xe，矩阵P将数据映射到主成分空间和残差空间。在主成分空间中，可以根据(2)式获得T2_PCA统计量。相反地，在残差空间中，可以通过重构数据根据(3)式来获得SPE_PCA统计量。
Figure BDA0003081813810000065
Figure BDA0003081813810000066
式中，P是将数据集Xe映射至主成分空间所对应的映射矩阵，Λ＝diag{λ1,λ2,...,λs},λi为
Figure BDA0003081813810000067
的第i个特征向量。
(3)使用核密度估计求得统计量T2_PCA的控制限
Figure BDA0003081813810000068
和统计量SPE_PCA的控制限SPElimitPCA，同时作为主工况故障检测模型的两个控制限。
(4)使用主工况故障检测模型对工业过程进行故障检测：首先，在线获取主工况的监测数据xe，计算其对应的统计量T2_PCA和统计量SPE_PCA；然后将得到的统计量分别与其对应的控制限进行比较，若均小于其对应的控制限，则判断当前主工况正常，否则判断当前主工况异常。
3、利用副工况正常时的历史监测数据集建立副工况故障检测模型，并对副工况进行故障检测。具体包括：
(1)求解公共子空间的映射矩阵
由于副工况的监测数据量少，与主工况的监测数据量出现严重不平衡，但考虑到工况间的差异与联系，对不同工况分别建模的同时，利用不同工况属于相同工业过程并且具有相似内部机理的特点，使用数据量多的主工况监测数据来辅助监测数据量少的副工况建模。因此，在本步骤中，首先对获取到的历史监测数据集Xe和Xh进行以下高维映射和中心化处理。
主工况数据集Xe的分布不同于副工况数据集Xh。然而，由于它们属于相同的工业过程并且具有相似的内部机理，所以存在一个共同的子空间Φ，基于该公共子空间可以消除两个正常工况之间的分布差异，从而可以获得新的特征表示。因为大量的主工况数据被用于辅助副工况建模，通过新的特征表示可以更容易地学习准确的副工况故障检测模型。CSL的目标是找到这个公共子空间Φ和新的特征表示。下面对CSL进行详细描述。
主工况和副工况数据首先被映射到高维空间，记数据被表示为
Figure BDA0003081813810000071
然后对
Figure BDA0003081813810000072
中心化得到
Figure BDA0003081813810000073
其中
Figure BDA0003081813810000074
MMD(maximum mean difference)是一种描述不同数据集间分布距离的非参数指标，通过引入MMD可以方便存在工况间的公共子空间。高维数据的MMD可以表示如下:
Figure BDA0003081813810000075
定义核矩阵
Figure BDA0003081813810000076
如下:
Figure BDA0003081813810000077
其中，
Figure BDA0003081813810000078
然后等式(4)可转换如下:
Figure BDA0003081813810000079
Figure BDA0003081813810000081
其中M(i,j)为矩阵M的第i行第j列个元素。由于我们并不知道中心化后数据
Figure BDA0003081813810000082
的具体形式，因此
Figure BDA0003081813810000083
也无法得知。但是
Figure BDA0003081813810000084
可以通过K求得，这里K即为原数据X的核矩阵，具体公式如下：
Figure BDA0003081813810000085
其中
Figure BDA0003081813810000086
为大小为(ne+nh)×(ne+nh)的全1元素方阵。将核矩阵
Figure BDA0003081813810000087
分解为
Figure BDA0003081813810000088
Figure BDA0003081813810000089
也被称为经验核矩阵。假设降维矩阵W可以将经验核矩阵映射到w维的公共子空间。因此，降维后的新核矩阵表示为:
Figure BDA00030818138100000810
其中
Figure BDA00030818138100000811
所以等式(6)可以转化为:
Figure BDA00030818138100000812
从公式(9)可以看出，原数据X在公共子空间Φ中可以表示为
Figure BDA00030818138100000813
此外，数据映射至公共子空间的同时应该尽可能的保留其原有的信息。类似于PCA和KPCA，方差最大化策略可用于保留原始信息，数据的方差可表示为
Figure BDA00030818138100000814
其中
Figure BDA00030818138100000815
1是长度为ne+nh的全1列向量，
Figure BDA00030818138100000816
表示大小为ne+nh的单位矩阵。因此，CSL的目标函数如下:
Figure BDA00030818138100000817
μ是正则项的系数参数，通常取一个小值。
对目标函数(10)求解得到映射矩阵W，即为取
Figure BDA00030818138100000818
的前w个特征向量。
(2)使用映射矩阵W将数据集Xe和Xh映射到公共子空间中，分别表示为
Figure BDA00030818138100000819
和
Figure BDA0003081813810000091
其中，
Figure BDA0003081813810000092
为矩阵
Figure BDA0003081813810000093
的前ne列，
Figure BDA0003081813810000094
为矩阵
Figure BDA0003081813810000095
的后nh列。
(3)利用公共子空间中的数据集
Figure BDA0003081813810000096
和
Figure BDA0003081813810000097
统一为
Figure BDA0003081813810000098
建立副工况故障检测模型：首先利用马氏距离作为工业过程副工况故障检测的统计量T2_CSL，对所有的副工况训练数据求马氏距离；然后根据求得的nh个T2_CSL值，使用核密度估计(一种算法名称，也称为KDE)求得统计量T2_CSL的控制限
Figure BDA0003081813810000099
即为副工况故障检测模型的控制限；
其中，以马氏距离作为统计量T2_CSL的计算式为：
Figure BDA00030818138100000910
式中，Σ是
Figure BDA00030818138100000911
的协方差矩阵，
Figure BDA00030818138100000912
Figure BDA00030818138100000913
表示矩阵
Figure BDA00030818138100000914
中的任意一列。
(4)使用副工况故障检测模型对工业过程进行故障检测：(4.1)在线获取副工况的监测数据xh，计算其核向量kh＝K(X,xh)，并中心化处理得到
Figure BDA00030818138100000915
再通过映射矩阵W将数据
Figure BDA00030818138100000916
映射到公共子空间得到
Figure BDA00030818138100000917
(4.2)计算
Figure BDA00030818138100000918
的马氏距离得到其统计量
Figure BDA00030818138100000919
(4.3)将统计量
Figure BDA00030818138100000920
与控制限
Figure BDA00030818138100000921
比较，判断当前副工况是否异常：当
Figure BDA00030818138100000922
时，当前副工况正常，否则异常；
其中，对核向量kh中心化处理得到
Figure BDA00030818138100000923
的表达式和统计量T2_CSL的计算式分别为：
Figure BDA00030818138100000924
Figure BDA00030818138100000925
4、采用RBR故障诊断模型对工况异常时的故障类型进行判断。
由于异常工况数据总是缺乏，不足以训练故障诊断模型，所以通过数据驱动方法实现故障诊断是很困难的。为此，本发明在上述完成故障检测的基础上，再进一步基于故障机理分析，利用规则定量表达已有专家知识，提出基于RBR(rule-based reasoning)的故障诊断模型，以对异常工况的故障类型进行诊断。
首先采用现有技术对工业过程故障诊断进行机理分析，得到异常工况各种故障类型的决策规则形式，且规则中涉及到阈值参数需要作进一步识别。本实施例的工业过程是指锌冶炼焙烧炉过程，由于焙烧原料的异常波动，焙烧过程可能出现过分解，欠氧化，床层沉积等异常工况，根据机理分析得到如下表所示的异常工况决策规则库：
Figure BDA0003081813810000101
规则库中，F,E,T,S分别代表焙烧过程的原设定工况，鼓风压力与鼓风量之比，标温和尾气SO2浓度，C1,C2,C3分别代表过分解，欠氧化和床层沉积异常工况。其中，待识别的规则阈值参数θ包括：高效工况下标温的上限Tel和下限Teu，健康工况下的标温的上限Thl和下限Thu，焙烧炉烟气二氧化硫浓度的上限Sl和下限Su，鼓风压力与鼓风量之比的上限Ee和下限Eh。
本实施例中基于RBR的故障诊断模型中的规则阈值参数θ，具体可利用工况异常时的历史监测数据集进行识别得到。
目前，粒子群优化算法(PSO)已广泛应用于参数优化、模糊控制等领域，通过迭代寻找最优解。在每次迭代中，粒子通过跟踪两个“极值”(pbest，gbest):pbest是粒子本身找到的最优解，称为个体极值；gbest是该组粒子当前找到的整个最优解，称为全局极值。找到这两个最佳值后，按以下式(14)(15)更新粒子的速度和位置：
vi＝w×vi+c1×rand()×(pbesti-pi)+c2×rand()×(gbesti-pi) (14)
pi＝pi+vi (15)
其中i＝1,2,3...N，N是粒子群个数，vi的ith个粒子的速度，pi是ith粒子的位置，rand()是(0,1)之间的随机数,c1,c2是学习率，w是一个非负的惯性因子。它的值越大，则全局寻优能力越强，局部搜索能力越弱。
因此，本实施例使用识别优化的所有阈值参数表示粒子，采用粒子群优化算法优化得到最优的阈值参数，且优化过程所采用的适应度函数为：
Figure BDA0003081813810000111
其中θ为规则中待优化的阈值参数，C为故障工况数，nj为jth故障工况的数据数，xij为jth故障工况的ith数据，f(·)即RBR故障诊断模型。
本实施例提出的工业过程监测方法。充分考虑正常工况与异常工况数据量不平衡的特点，结合数据驱动和机理分析，从而实现故障检测和故障诊断。针对正常工况间的数据不平衡，提出了一种PCA-CAL的检测方法，其同时考虑工况间的差异和联系。针对数据严重缺乏的异常工况，本实施例结合机理分析与数据驱动的方法，首先利用大量的机理分析总结得到异常工况决策规则，如果利用已有的少量故障数据对规则中涉及的阈值参数进行辨识，最后利用该异常工况决策规则库实现RBR故障诊断。
对于本实施例提出的故障检测及类型诊断的方案，通过实验并以故障误报率(FAR)和故障检测率(FDR)和故障工况识别率(ACC)作为评估方法的性能指标，对本实施例方案进行验证，得到锌冶炼焙烧过程故障检测效果如下:
Figure BDA0003081813810000112
由上表可知，针对主工况，由于其历史训练数据充足，通过PCA方法可以得到满意的检测效果。针对副工况，尽管其历史训练数据不足，但是通过本发明方法利用主工况辅助副工况建模，仍然可以得到很好的检测效果。
而且，基于规则库的RBR故障类型诊断的准确率为93％，由此验证了RBR故障诊断模型的有效性。
综上所述，本发明提出的融合方法可以实现对大型复杂工业过程准确的过程监测。该方法与考虑工况间的数据不平衡，使得面对数据量不足的副工况仍然能取得不错的检测效果。此外，异常工况数据一般是严重匮乏的，本发明通过机理分析，利用规则定量表达已有专家知识。因此针对大型复杂工业过程异常工况数据匮乏的情况，仍能实现准确的故障诊断。
实施例2
本实施例提供一种一种机理与数据联融合的多工况工业过程监测系统，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现实施例1所述的多工况工业过程监测方法。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (9)

1.一种机理与数据联融合的多工况工业过程监测方法，其特征在于，包括：
将监测数量满足预设值的工业过程工况设为主工况，否则设为副工况；
利用主工况正常时的历史监测数据集建立主工况故障检测模型；将主工况正常时的历史监测数据集和副工况正常时的历史监测数据集，均采用主空间学习算法映射到公共子空间，并利用公共子空间中的数据建立副工况故障检测模型；
对于主工况的在线监测数据，使用主工况故障检测模型对工业过程进行故障检测；对于副工况的在线监测数据，采用主空间学习算法将其映射到公共子空间，再使用副工况故障检测模型对工业过程进行故障检测。
2.根据权利要求1所述的方法，其特征在于，采用主空间学习算法将监测数据映射到公共子空间的映射矩阵为W，求解方法为：
(1)获取主工况正常时的历史监测数据集
Figure FDA0003597582660000011
和副工况正常时的历史监测数据集
Figure FDA0003597582660000012
进行高维映射分别得到
Figure FDA0003597582660000013
再对
Figure FDA0003597582660000014
中心化得到
Figure FDA0003597582660000015
ne和nh分别为Xe和Xh包括的历史监测数据的数量，ne＞＞nh，m为监测数据的维度；
(2)设置求解映射矩阵W的目标函数为：
Figure FDA0003597582660000016
式中，M为MMD矩阵，H为中心矩阵，K为数据集X＝[Xe,Xh]的核矩阵,
Figure FDA0003597582660000017
为K中心化得到的核矩阵，μ是正则项的系数参数，且有：
Figure FDA0003597582660000018
Figure FDA0003597582660000019
Figure FDA00035975826600000110
式中，M(i,j)为矩阵M的第i行第j列个元素，
Figure FDA00035975826600000111
为矩阵
Figure FDA00035975826600000112
的第i行第j列个元素，1是长度为ne+nh的全1列向量，
Figure FDA0003597582660000021
表示大小为ne+nh的单位矩阵；
(3)求解目标函数：取矩阵
Figure FDA0003597582660000022
的前w个特征向量得到映射矩阵W。
3.根据权利要求2所述的方法，其特征在于，使用映射矩阵为W将数据集Xe和Xh映射到共享子空间分别得到
Figure FDA0003597582660000023
和
Figure FDA0003597582660000024
其中，
Figure FDA0003597582660000025
为矩阵
Figure FDA0003597582660000026
的前ne列，
Figure FDA0003597582660000027
为矩阵
Figure FDA0003597582660000028
的后nh列。
4.根据权利要求3所述的方法，其特征在于，利用公共子空间中的数据建立副工况故障检测模型的方法为：(1)首先利用马氏距离作为工业过程副工况故障检测的统计量T2_CSL，对所有的副工况训练数据求马氏距离；(2)根据求得的nh个T2_CSL值，使用核密度估计求得统计量T2_CSL的控制限
Figure FDA0003597582660000029
即为副工况故障检测模型的控制限；
其中，以马氏距离作为统计量T2_CSL的计算式为：
Figure FDA00035975826600000210
式中，Σ是
Figure FDA00035975826600000211
的协方差矩阵，
Figure FDA00035975826600000212
Figure FDA00035975826600000213
表示矩阵
Figure FDA00035975826600000214
中的任意一列；
使用副工况故障检测模型对工业过程进行故障检测的方法为：(1)在线获取副工况的监测数据xh，计算其核向量kh＝K(X,xh)，并中心化处理得到
Figure FDA00035975826600000215
再通过映射矩阵W将数据
Figure FDA00035975826600000216
映射到公共子空间得到
Figure FDA00035975826600000217
(2)计算
Figure FDA00035975826600000218
的马氏距离得到其统计量
Figure FDA00035975826600000219
(3)将统计量
Figure FDA00035975826600000220
与控制限
Figure FDA00035975826600000221
比较，判断当前副工况是否异常；
其中，对核向量kh中心化处理得到
Figure FDA00035975826600000222
的表达式和统计量
Figure FDA00035975826600000223
的计算式分别为：
Figure FDA00035975826600000224
Figure FDA00035975826600000225
5.根据权利要求1所述的方法，其特征在于，利用主工况正常时的历史监测数据集建立主工况故障检测模型，具体为：(1)获取主工况正常时的历史监测数据集
Figure FDA00035975826600000226
采用PCA方法将数据集Xe映射至主成分空间和残差空间；(2)在主成分空间计算数据集Xe中每个数据xe的统计量T2_PCA，并在残差空间通过重构数据计算数据集Xe中每个数据xe的统计量SPE_PCA；(3)使用核密度估计求得统计量T2_PCA的控制限
Figure FDA0003597582660000031
和统计量SPE_PCA的控制限SPElimitPCA，同时作为主工况故障检测模型的两个控制限；
其中，统计量T2_PCA和统计量SPE_PCA的计算式为：
Figure FDA0003597582660000032
Figure FDA0003597582660000033
式中，P是将数据集Xe映射至主成分空间所对应的映射矩阵，Λ＝diag{λ1,λ2,...,λs},λi为
Figure FDA0003597582660000034
的第i个特征向量；
使用主工况故障检测模型对工业过程进行故障检测的方法为：(1)在线获取主工况的监测数据xe，计算其对应的统计量T2_PCA和统计量SPE_PCA；(2)将(1)得到的统计量分别与其对应的控制限进行比较，若均小于其对应的控制限，则判断当前主工况正常，否则判断为异常。
6.根据权利要求1所述的方法，其特征在于，还包括：采用RBR故障诊断模型对工况异常时的故障类型进行判断；其中，所述RBR故障诊断模型中的规则阈值参数，利用工况异常时的历史监测数据集Xab，采用粒子群优化算法优化得到，且识别所采用的适应度函数为：
Figure FDA0003597582660000035
式中，θ为RBR故障诊断模型中待优化的规则阈值参数，C为故障工况数，nj为数据集Xab中属于第j种故障工况的数据数量，xij为数据集Xab中属于第j种故障工况的第i个数据，f(·)即RBR故障诊断模型。
7.根据权利要求6所述的方法，其特征在于，所述规则阈值参数θ包括：高效工况下标温的上限Tel和下限Teu，健康工况下的标温的上限Thl和下限Thu，焙烧炉烟气二氧化硫浓度的上限Sl和下限Su，鼓风压力与鼓风量之比的上限Ee和下限Eh。
8.根据权利要求1所述的方法，其特征在于，所述工业过程为锌冶炼焙烧炉过程，其主工况是指高效工况，副工况是指健康工况。
9.一种机理与数据联融合的多工况工业过程监测系统，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～8中任一项所述的方法。
CN202110581890.XA 2021-05-25 2021-05-25 一种机理与数据联融合的多工况工业过程监测方法和系统 Active CN113156908B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110581890.XA CN113156908B (zh) 2021-05-25 2021-05-25 一种机理与数据联融合的多工况工业过程监测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110581890.XA CN113156908B (zh) 2021-05-25 2021-05-25 一种机理与数据联融合的多工况工业过程监测方法和系统

Publications (2)

Publication Number Publication Date
CN113156908A CN113156908A (zh) 2021-07-23
CN113156908B true CN113156908B (zh) 2022-05-13

Family

ID=76877740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110581890.XA Active CN113156908B (zh) 2021-05-25 2021-05-25 一种机理与数据联融合的多工况工业过程监测方法和系统

Country Status (1)

Country Link
CN (1) CN113156908B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114065613B (zh) * 2021-10-27 2022-12-09 中国华能集团清洁能源技术研究院有限公司 基于深度迁移学习的多工况流程工业故障检测诊断方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6834258B2 (en) * 2002-12-31 2004-12-21 Rosemount, Inc. Field transmitter with diagnostic self-test mode
WO2008042739A2 (en) * 2006-09-29 2008-04-10 Fisher-Rosemount Systems, Inc. On-line monitoring and diagnostics of a process using multivariate statistical analysis
CN101458522A (zh) * 2009-01-08 2009-06-17 浙江大学 基于主元分析和支持向量数据描述的多工况过程监控方法
CN107065843B (zh) * 2017-06-09 2019-04-05 东北大学 基于独立子空间的多方向kica间歇过程故障监测方法
CN108762228B (zh) * 2018-05-25 2020-08-04 江南大学 一种基于分布式pca的多工况故障监测方法
CN109919181B (zh) * 2019-01-24 2021-08-17 南京航空航天大学 基于概率模型检测的动态故障树定量分析方法
CN112817291B (zh) * 2019-11-15 2022-03-08 中国科学院沈阳自动化研究所 基于混合特性评价和子空间分解的层次故障监测方法

Also Published As

Publication number Publication date
CN113156908A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN111505424A (zh) 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法
CN106843195B (zh) 基于自适应集成半监督费舍尔判别的故障分类方法
CN106529079A (zh) 一种基于故障相关主成分空间的化工过程故障检测方法
CN113762329A (zh) 一种大型轧机状态预测模型的构建方法及构建系统
CN111708343A (zh) 一种面向制造业行业现场工艺行为异常行为检测方法
CN111860775B (zh) 基于cnn和rnn融合的船舶故障实时诊断方法
CN110687895B (zh) 一种基于自适应核主成分分析的化工过程故障检测方法
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
CN110334756A (zh) 电网监控告警事件识别的方法、终端装置、设备和介质
CN111340110A (zh) 一种基于工业过程运行状态趋势分析的故障预警方法
CN111767657B (zh) 一种核动力系统故障诊断方法和系统
CN111914889A (zh) 一种基于简略核主元分析的精馏塔异常状态识别方法
CN113156908B (zh) 一种机理与数据联融合的多工况工业过程监测方法和系统
CN110175682A (zh) 一种基于混沌粒子群的优化核主元分析故障监测方法
Robertson et al. Topological preservation techniques for nonlinear process monitoring
CN113050602B (zh) 基于鲁棒半监督判别分析的工业过程故障分类方法
CN110427019B (zh) 一种基于多变量判别分析的工业过程故障分类方法及控制装置
Huang et al. Static and dynamic joint analysis for operation condition division of industrial process with incremental learning
CN111914471A (zh) 一种基于快速核独立成分分析的精馏塔故障检测方法
CN116383747A (zh) 基于多时间尺度深度卷积生成对抗网络的异常检测方法
CN115496384A (zh) 工业设备的监控管理方法、装置和计算机设备
CN110647117B (zh) 一种化工过程故障识别方法及系统
CN114638379A (zh) 边缘侧多智能体opc ua信息解析和决策方法

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