CN113189968A - 互联工业过程的分布式故障诊断方法 - Google Patents
互联工业过程的分布式故障诊断方法 Download PDFInfo
- Publication number
- CN113189968A CN113189968A CN202110499809.3A CN202110499809A CN113189968A CN 113189968 A CN113189968 A CN 113189968A CN 202110499809 A CN202110499809 A CN 202110499809A CN 113189968 A CN113189968 A CN 113189968A
- Authority
- CN
- China
- Prior art keywords
- sub
- matrix
- subprocess
- observer
- moment
- 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.)
- Granted
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
-
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
互联工业过程的分布式故障诊断方法,它属于工业过程的在线故障诊断领域。本发明解决了现有方法无法确定发生故障的子过程,以及当物理拓扑结构的局部发生改变时,整个物理拓扑结构需要全部重新设计导致的鲁棒性差的问题。应用本发明方法可以同时进行故障检测和故障定位,能够方便地判断出是哪个子过程发生了故障;且当互联过程的物理拓扑结构发生改变时,本发明只需对发生改变的子过程及其相邻的子过程的残差产生器重新进行设计,其余子过程所对应的残差产生器保持不变,无需重新设计;在线诊断时充分利用了实时采集的过程数据中的信息,具有更好的鲁棒性。本发明可以应用于工业过程的在线故障诊断。
Description
技术领域
本发明属于工业过程的在线故障诊断领域,具体涉及一种互联工业过程的分布式故障诊断方法。
背景技术
随着工业生产和制造过程的规模越来越大,一个完整的工业过程通常可以划分为多个互联的子过程,涉及众多的物料和设备。这些子过程之间运行状态互相耦合,形成复杂的回路和闭环反馈,这类耦合被称作物理耦合。为了实现闭环稳定运行,不仅需要考虑某个单一子过程自身(或称本地)状态变量的变化,还要考虑与之有物理耦合的所有子过程(即相邻的子过程)的状态的影响。为此,需要根据物理耦合的拓扑结构在子过程之间通过网络化通讯的方式引入必要的实时信息交换。这些信息会通过控制器作用到过程本身的运行状态上,这类耦合被称作信息耦合。互联系统特指同时具有物理耦合和信息耦合的所有子过程的集合。
与孤立系统相比,大规模互联的工业过程中故障发生的频率更大、故障发生的类型和位置难以确定。如果为了查找和排除某处故障而导致全线停工检修,所造成的经济损失将是巨大的。另一方面,某些互联系统是分布式实现的,没有中心节点,每个子过程数据的处理都依靠本地的计算资源。提出有效、灵敏的自动化故障检测方案是保证互联工业过程安全的重点方向之一。
根据技术核心思想分类,现有主流的方法包括存粹基于数据驱动(如平均一致性滤波器)的方案和纯粹基于模型(如分布式卡尔曼滤波器)的方案。然而,前者只能从全局的角度判断是否有故障发生、无法确定发生故障的子过程,后者的缺陷是无法利用在线测量数据中的信息,并且当物理拓扑结构改变时需要全部重新设计,鲁棒性较差。
因此,需要提供一种新的将模型与数据相结合的分布式故障诊断方案,来检测和定位互联工业过程中的故障。
发明内容
本发明的目的是为解决现有方法无法确定发生故障的子过程,以及当物理拓扑结构的局部发生改变时,整个物理拓扑结构需要全部重新设计导致的鲁棒性差的问题,而提出了一种互联工业过程的分布式故障诊断方法。
本发明为解决上述技术问题所采取的技术方案是:一种互联工业过程的分布式故障诊断方法,所述方法具体包括以下步骤:
步骤一、分别建立互联工业过程的各个互联子过程的模型,再根据每个子过程的模型得到对应子过程的系统矩阵、输入矩阵、输出矩阵、直接作用矩阵以及状态耦合矩阵,将第i个子过程的系统矩阵、输入矩阵、输出矩阵和直接作用矩阵分别表示为Ai,Bi,Ci和Di,i=1,…,M,M为互联工业过程的子过程的个数,将第i个子过程与第j个子过程的状态耦合矩阵表示为Aij,Ni表示与子过程i相邻的子过程的集合;
并根据每个子过程的系统矩阵、输入矩阵、输出矩阵和直接作用矩阵,构造对应子过程的辅助系统;
步骤二、根据构造的子过程的辅助系统,分别求解每个子过程的辅助系统的等价向量;
步骤三、根据每个子过程的辅助系统的等价向量,求解对应子过程的观测器参数;
步骤四、采集互联工业过程的每个子过程在各时刻的控制指令数据和输出数据,并根据步骤三得到的观测器参数和步骤一得到的状态耦合矩阵,计算每个子过程在各时刻的残差值;
步骤五、根据每个子过程在各时刻的残差值,确定每个子过程的故障检测阈值;
步骤六、分别在线计算每个子过程在当前时刻t的残差值;
步骤七、根据步骤六计算出的每个子过程在当前时刻t的残差值以及对应的故障检测阈值,判断每个子过程在当前时刻t是否发生故障。
本发明的有益效果是:本发明提出了一种互联工业过程的分布式故障诊断方法,与基于平均一致性滤波器的分布式故障诊断方案相比,本发明可以同时进行故障检测和故障定位,能够方便地判断出是哪个子过程发生了故障;当互联过程的物理拓扑结构发生改变,包括新的子过程的引入、原有子过程的断开或联结的改变时,采用本发明的方法,只需要对发生改变的子过程及其相邻的子过程的残差产生器重新进行设计,其余子过程所对应的残差产生器保持不变,无需重新设计;与纯粹基于模型的分布式故障诊断方案相比,本发明将基于模型与数据驱动的方法相结合,在线诊断时充分利用了实时采集的过程数据中的信息,具有更好的鲁棒性。
而且,与集中式故障诊断方案相比,本发明不需要设立中心节点、在线应用时无需收集全局信息,可以降低运营和维护成本。
附图说明
图1是本发明方法的流程图;
图2是实施例中包含4个子过程的互联过程拓扑结构图;
图3是本地发生传感器故障(k>500)时的监控曲线图;
图4是本地发生执行器故障(k>500)时的监控曲线图;
图5是相邻子系统发生传感器故障(k>500)时的监控曲线图;
图6是相邻子系统发生执行器故障(k>500)时的监控曲线图。
具体实施方式
具体实施方式一、结合图1说明本实施方式。本实施方式所述的一种互联工业过程的分布式故障诊断方法,所述方法具体包括以下步骤:
步骤一、根据实际系统机理和第一性原理分别建立互联工业过程的各个互联子过程的模型,再根据每个子过程的模型得到对应子过程的系统矩阵、输入矩阵、输出矩阵、直接作用矩阵以及状态耦合矩阵,将第i个子过程的系统矩阵、输入矩阵、输出矩阵和直接作用矩阵分别表示为Ai,Bi,Ci和Di,i=1,…,M,M为互联工业过程的子过程的个数,将第i个子过程与第j个子过程的状态耦合矩阵表示为Aij,Ni表示与子过程i相邻的子过程的集合;
并根据每个子过程的系统矩阵、输入矩阵、输出矩阵和直接作用矩阵,构造对应子过程的辅助系统;
步骤二、根据构造的子过程的辅助系统,分别求解每个子过程的辅助系统的等价向量;
步骤三、根据每个子过程的辅助系统的等价向量,求解对应子过程的观测器参数;
步骤四、采集互联工业过程的每个子过程在各时刻的控制指令数据和输出数据,并根据步骤三得到的观测器参数和步骤一得到的状态耦合矩阵,计算每个子过程在各时刻的残差值;
步骤五、根据每个子过程在各时刻的残差值,确定每个子过程的故障检测阈值;
步骤六、分别在线计算每个子过程在当前时刻t的残差值;
步骤七、根据步骤六计算出的每个子过程在当前时刻t的残差值以及对应的故障检测阈值,判断每个子过程在当前时刻t是否发生故障。
本发明合理利用信息耦合来消除物理耦合的干扰,提出了完整可行的离线设计和在线部署方案,核心是基于辅助系统的观测器设计方法和新颖的数据驱动的残差产生器实现形式。实现了本地故障诊断系统所产生的残差信号对所有相邻子过程的状态变量的解耦。不仅能够在线检测互联系统中故障的发生,还能够判断是哪个子过程发生了故障。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述根据每个子过程的系统矩阵、输入矩阵、输出矩阵和直接作用矩阵,构造对应子过程的辅助系统;其具体过程为:
其中,hi,k表示子过程i的辅助系统在k时刻的状态变量;hi,k+1表示子过程i的辅助系统在k+1时刻的状态变量;表示子过程i的辅助系统在k时刻的控制指令数据;表示子过程i的辅助系统在k时刻的输出数据。
本实施方式构造对应子过程的辅助系统,将辅助系统作为一种软冗余(解析冗余)给后续步骤提供必要信息。
具体实施方式三:本实施方式与具体实施方式二不同的是,所述步骤二的具体过程为:
步骤B2、根据收集的数据构建中间变量矩阵Zfi和Zpi:
Zfi为含有s+1+κ′~s+Ns+κ′时间段内数据的Hankel矩阵,Zpi为含有s+1~s+Ns时间段内数据的Hankel矩阵;
其中0<κ′≤K-s-Ns,Ns表示矩阵Zfi和Zpi的宽度,且
其中,s表示选定的等价空间长度;
步骤B3、对矩阵Zfi和Zpi进行奇异值分解:
其中,T代表矩阵的转置,Λzi,1和Λzi,2为分块的奇异值矩阵,且Λzi,1的奇异值大于Λzi,2的奇异值,Λzi,1对应有用信号空间,Λzi,2对应噪声空间,并满足Λzi,1的最后一个元素明显大于Λzi,2的第一个元素,Λzi,1的最后一个元素与Λzi,2的第一个元素差值的阈值需要根据实际系统人为判定;Uzi,11、Uzi,12、Uzi,21和Uzi,22为左奇异矩阵,Vzi,11、Vzi,12、Vzi,21和Vzi,22为右奇异矩阵;左奇异矩阵和右奇异矩阵均是根据奇异值矩阵Λzi,1和Λzi,2的分块情况进行划分的相应维数的子矩阵;
本实施方式中,仅仅依靠可以采集的过程数据来计算等价向量(实现数据驱动的等价向量求解),可以避免基于模型的等价向量求解方法中模型不准确的影响。
具体实施方式四:本实施方式与具体实施方式三不同的是,所述步骤三的具体过程为:
步骤C1、将等价向量αsi中的元素按从左到右的顺序表示为αsi,0,αsi,1,…,αsi,s;
本实施方式利用等价向量和龙伯格方程组解的关系获得所需的观测器参数,避免了基于数值迭代方法来求解龙伯格方程组的复杂过程。
具体实施方式五:本实施方式与具体实施方式四不同的是,所述步骤四的具体过程为:
步骤D1、启动互联工业过程中运行互联的M个子过程,在稳态运行阶段,采集当前时刻k对应于子过程i的控制指令数据ui,k和输出数据yi,k,通过通信传输接收所有与子过程i相邻的子过程的观测器在过去一段时间内的状态变量zj,k-s,…,zj,k-1,zj,k-s为与子过程i相邻的子过程j的观测器在k-s时刻的状态变量,zj,k-1为与子过程i相邻的子过程j的观测器在k-1时刻的状态变量;
步骤D2、用ui,k,yi,k来驱动对应于子过程i的观测器,子过程i的观测器在时刻k的状态变量用zi,k表示,采用零初始状态,即zi,0=0:
zi,k+1=Az,izi,k+Bz,iui,k+Lz,iyi,k
其中,zi,k+1为子过程i的观测器在时刻k+1的状态变量;
步骤D3、利用gz,i、cz,i、dz,i、Aij和状态变量zi,k驱动对应于子过程i的残差产生器:
其中,ri,k为子过程i在时刻k的残差值;
步骤D4、采集km个时刻的运行数据,k=1,2,…,km,km为总的时刻数,并重复步骤D1至步骤D3的过程,得到每个子过程在各时刻的残差值。
本实施方式的残差产生器移除了相邻子过程的状态对本地残差信号动态特性的影响。
具体实施方式六:本实施方式与具体实施方式五不同的是,所述步骤五的具体过程为:
步骤E3、将Ji,k,k=1,…,km按照升序排列得到Ji,将Ji的上β分位数作为子过程i的故障检测阈值Jth,i,β表示置信度。
具体实施方式七:本实施方式与具体实施方式六不同的是,所述步骤六的具体过程为:
具体实施方式八:本实施方式与具体实施方式七不同的是,所述步骤七的具体过程为:
步骤G2、若Ji,t>Jth,i,则判定子过程i发生故障,发出警报,若Ji,t≤Jth,i,则子过程运行正常,令t←t+1,并返回步骤六。
具体实施方式九:本实施方式与具体实施方式八不同的是,所述β的取值为95%。
实施例
本发明是为了解决物理、信息双重耦合下的互联工业过程的分布式故障诊断问题。合理利用信息耦合来消除物理耦合的干扰,提出了完整可行的离线设计和在线部署方案,核心是基于辅助系统的观测器设计方法和新颖的数据驱动的残差产生器实现形式。具体实施方式的流程图如图1所示,其主要是通过以下技术方案实现的:
离线设计阶段
第一步、根据实际系统机理和第一性原理建立各个互联子系统(互联子过程)的模型。若共有M个子系统,得到本地系统矩阵Ai,Bi,Ci,Di(i=1,…,M)以及状态耦合矩阵其中Ni表示所有与子过程i相邻的子过程的集合。分别构造M个辅助系统如下(i=1,…,M):
第二步、求解辅助系统i的等价向量αsi和αsiHui,s。具体步骤包括:
步骤B2:构建矩阵
其中0<κ≤K-s-Ns,且
其中s表示选定的等价空间长度。
步骤B3:计算奇异值分解:
并满足Λzi,1的最后一个元素明显大于Λzi,2的第一个元素。
第三步、求解对应于子过程i的观测器参数Az,i,Bz,i,Lz,i,gi,cz,i,dz,i,Ti。具体步骤包括:
步骤C1:将αsi中的元素按顺序表示为αsi,0,αsi,1,…,αsi,s.
第四步、在正常工况下运行互联工业过程和诊断系统,并收集数据。具体步骤包括:
步骤D1:启动运行互联的M个互联工业过程,并达到稳态运行阶段,重复以下步骤D2~D5,得到一段时间内(不妨k=1,…,km,其中km是一个表示终止时刻的整数)的运行数据。
步骤D3:用ui,k,yi,k来驱动对应于子过程i的观测器,观测器的状态变量用zi,k表示,采用零初始状态,即zi,0=0:
zi,k+1=Az,izi,k+Bz,iui,k+Lz,iyi,k
步骤D4:用zi,k来驱动对应于子过程i的状态估计器:
步骤D5:用有关矩阵和变量驱动对应于子过程i的残差产生器:
第五步、确定本地故障检测阈值Jth,i。具体步骤包括:
步骤E3:对于k=1,…,km将Ji,k按照升序排列。选定置信度β(如β=95%)。设阈值Jth,i为Ji的上β分位数。
在线部署与应用阶段
第六步、在线计算当前时刻(记作t时刻)的残差值。具体步骤包括:
步骤F4:(类似于步骤D5)计算当前时刻的残差值:
第七步、残差评估与在线决策。具体步骤包括:
步骤G2:若Ji,t>Jth,i,则判定子过程i发生故障,发出警报。若Ji,t≤Jth,i,则子过程运行正常。令t←t+1,并返回第六步。
以含有四个子过程的互联化工过程为例,每个子过程可以看作一个四输入两输出系统,四个输入信号分别为每个子过程中三种物料的给料量和催化剂投入量,两个输出信号分别为温度和压强。传感器故障指测量温度或压强的传感器测量不准,执行器故障是指驱动给料的电机发生了故障。本发明的实施例互联化工过程的拓扑结构如图2所示。在本实施例中,将3号子过程视作本地过程,那么其相邻过程为2号和4号子过程。在线阶段共考虑1000个采样时刻,设计4组实验,其中前500个时刻均无故障发生,在后500个时刻分别引入如下故障:本地传感器故障、本地执行器故障、2号子过程中传感器故障、2号子过程中执行器故障。
离线设计阶段
第一步、建立各个互联子系统的模型。共有4个子系统,本地系统矩阵以及状态耦合矩阵为:
D1=D2=D3=D4=02×4
并分别构造4个辅助系统(i=1,…,4):
第二步、求解各个辅助系统的等价向量。以3号子过程(i=3)为例,其他子过程类似。具体步骤包括:
步骤B2:设置等价空间长度为3,Ns=20,κ=100,构建矩阵:
步骤B3:计算奇异值分解:
第三步、求解对应于3号子过程的观测器参数Az,3,Bz,3,Lz,3,g3,cz,3,dz,2,T3。具体步骤包括:
步骤C1:将αs3中的元素按顺序表示;
dz,3=[0.8145 0.9527 0.7439 0.4720]
第四步、在正常工况下运行互联工业过程和诊断系统,并收集数据。具体步骤包括:
步骤D1:启动运行互联的4个互联工业过程,并达到稳态运行阶段,重复以下步骤D2~D5,得到一段时间内(k=1,…,1000)的运行数据。
步骤D2:采集当前时刻对应于3号子过程的控制指令数据和输出数据。接收2号和4号子过程的zj,k-3,zj,k-2,zj,k-1(j=2,4)。
步骤D3:驱动对应于3号子过程的观测器。
步骤D4:驱动对应于3号子过程的状态估计器。
步骤D5:驱动对应于3号子过程的残差产生器。
第五步、确定本地故障检测阈值Jth,3。具体步骤包括:
步骤E1:计算均值和协方差。
步骤E2:计算T2统计量。
步骤E3:设定置信度β=95%,计算可得Jth,3=128.3196。
在线部署与应用阶段
第六步、在线计算当前时刻的残差值。具体步骤包括:
步骤F2:用在线数据来驱动观测器:
步骤F3:用在线数据来驱动状态估计器。
步骤F4:计算当前时刻的残差值:
第七步、残差评估与在线决策。具体步骤包括:
步骤G1:计算在线的T2统计量J3,t;
步骤G2:若J3,t>Jth,3,则判定3号子过程发生故障,发出警报。若J3,t≤Jth,3,则子过程运行正常。令t←t+1,并返回第六步。
由图3和图4可以看出,本地发生传感器故障或执行器故障时(k>500),本地诊断系统可以发出警报,故障检出率较高。由图5和图6可以看出,相邻子系统发生传感器故障或执行器故障时,本地诊断系统不会发出警报,误报率很低。在无故障发生时(k<500),所有情形下的误报率都很低。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.互联工业过程的分布式故障诊断方法,其特征在于,所述方法具体包括以下步骤:
步骤一、分别建立互联工业过程的各个互联子过程的模型,再根据每个子过程的模型得到对应子过程的系统矩阵、输入矩阵、输出矩阵、直接作用矩阵以及状态耦合矩阵,将第i个子过程的系统矩阵、输入矩阵、输出矩阵和直接作用矩阵分别表示为Ai,Bi,Ci和Di,i=1,…,M,M为互联工业过程的子过程的个数,将第i个子过程与第j个子过程的状态耦合矩阵表示为Aij,Ni表示与子过程i相邻的子过程的集合;
并根据每个子过程的系统矩阵、输入矩阵、输出矩阵和直接作用矩阵,构造对应子过程的辅助系统;
步骤二、根据构造的子过程的辅助系统,分别求解每个子过程的辅助系统的等价向量;
步骤三、根据每个子过程的辅助系统的等价向量,求解对应子过程的观测器参数;
步骤四、采集互联工业过程的每个子过程在各时刻的控制指令数据和输出数据,并根据步骤三得到的观测器参数和步骤一得到的状态耦合矩阵,计算每个子过程在各时刻的残差值;
步骤五、根据每个子过程在各时刻的残差值,确定每个子过程的故障检测阈值;
步骤六、分别在线计算每个子过程在当前时刻t的残差值;
步骤七、根据步骤六计算出的每个子过程在当前时刻t的残差值以及对应的故障检测阈值,判断每个子过程在当前时刻t是否发生故障。
3.根据权利要求2所述的互联工业过程的分布式故障诊断方法,其特征在于,所述步骤二的具体过程为:
步骤B2、根据收集的数据构建中间变量矩阵Zfi和Zpi:
其中0<k′≤K-s-Ns,Ns表示矩阵Zfi和Zpi的宽度,且
其中,s表示选定的等价空间长度;
步骤B3、对矩阵Zfi和Zpi进行奇异值分解:
其中,T代表矩阵的转置,Λzi,1和Λzi,2为分块的奇异值矩阵,且Λzi,1的奇异值大于Λzi,2的奇异值,Uzi,11、Uzi,12、Uzi,21和Uzi,22为左奇异矩阵,Vzi,11、Vzi,12、Vzi,21和Vzi,22为右奇异矩阵;
5.根据权利要求4所述的互联工业过程的分布式故障诊断方法,其特征在于,所述步骤四的具体过程为:
步骤D1、启动互联工业过程中运行互联的M个子过程,在稳态运行阶段,采集当前时刻k对应于子过程i的控制指令数据ui,k和输出数据yi,k,通过通信传输接收所有与子过程i相邻的子过程的观测器在过去一段时间内的状态变量zj,k-s为与子过程i相邻的子过程j的观测器在k-s时刻的状态变量,zj,k-1为与子过程i相邻的子过程j的观测器在k-1时刻的状态变量;
步骤D2、用ui,k,yi,k来驱动对应于子过程i的观测器,子过程i的观测器在时刻k的状态变量用zi,k表示,采用零初始状态,即zi,0=0:
zi,k+1=Az,izi,k+Bz,iui,k+Lz,iyi,k
其中,zi,k+1为子过程i的观测器在时刻k+1的状态变量;
步骤D3、利用gz,i、cz,i、dz,i、Aij和状态变量zi,k驱动对应于子过程i的残差产生器:
其中,ri,k为子过程i在时刻k的残差值;
步骤D4、采集km个时刻的运行数据,k=1,2,…,km,km为总的时刻数,并重复步骤D1至步骤D3的过程,得到每个子过程在各时刻的残差值。
9.根据权利要求8所述的互联工业过程的分布式故障诊断方法,其特征在于,所述β的取值为95%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110499809.3A CN113189968B (zh) | 2021-05-08 | 2021-05-08 | 互联工业过程的分布式故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110499809.3A CN113189968B (zh) | 2021-05-08 | 2021-05-08 | 互联工业过程的分布式故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113189968A true CN113189968A (zh) | 2021-07-30 |
CN113189968B CN113189968B (zh) | 2022-08-26 |
Family
ID=76984391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110499809.3A Active CN113189968B (zh) | 2021-05-08 | 2021-05-08 | 互联工业过程的分布式故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113189968B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114115198A (zh) * | 2021-11-25 | 2022-03-01 | 哈尔滨工业大学 | 一种面向装配生产线的分布式诊断与优化控制方法及控制系统 |
CN115167376A (zh) * | 2022-08-09 | 2022-10-11 | 哈尔滨工业大学 | 一种基于平均一致性的数据驱动分布式协同诊断方法 |
Citations (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4257100A (en) * | 1974-08-10 | 1981-03-17 | Fraunhofer-Gesellschaft Zur Forderung Der Angewandten Forschung E.V. | Electronic data processing system for real time data processing |
KR870700159A (ko) * | 1984-12-17 | 1987-03-14 | 컴버스쳔 엔지니어링 인코포레이티드 | 서브 프로세스 제어 방법 |
EP0720004A2 (de) * | 1994-12-27 | 1996-07-03 | LITEF GmbH | FDIC-Verfahren zur Minimierung von Messfehlern in einer Messanordnung von redundanten Sensoren |
US6014598A (en) * | 1996-06-28 | 2000-01-11 | Arcelik A.S. | Model-based fault detection system for electric motors |
US20030014699A1 (en) * | 2000-01-29 | 2003-01-16 | Jari Kallela | System and method for determining the effectiveness of production installations, fault events and the causes of faults |
WO2003060617A1 (de) * | 2002-01-21 | 2003-07-24 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zum erfassen und verarbeiten von signalen von industriellen prozessen |
US20050055175A1 (en) * | 2003-09-10 | 2005-03-10 | Jahns Gary L. | Industrial process fault detection using principal component analysis |
EP1543392A1 (en) * | 2002-06-28 | 2005-06-22 | Umetrics AB | Method and device for monitoring and fault detection in industrial processes |
US20050147183A1 (en) * | 2004-01-02 | 2005-07-07 | Willink Tricia J. | Method for updating singular value decomposition of a transfer matrix |
US7100081B1 (en) * | 2003-10-09 | 2006-08-29 | Advanced Micro Devices, Inc. | Method and apparatus for fault classification based on residual vectors |
WO2007130692A2 (en) * | 2006-05-07 | 2007-11-15 | Applied Materials, Inc. | Adaptive multivariate fault detection |
CN102176159A (zh) * | 2011-02-28 | 2011-09-07 | 哈尔滨工业大学 | 一种基于状态观测器和等价空间的卫星姿控系统故障诊断装置及方法 |
EP2415022A1 (en) * | 2009-04-01 | 2012-02-08 | i-Cetana Pty Ltd | Systems and methods for detecting anomalies from data |
EP2527931A1 (en) * | 2011-05-23 | 2012-11-28 | Honeywell spol s.r.o. | Communication failure tolerant distributed Kalman filter |
CN103472820A (zh) * | 2013-09-18 | 2013-12-25 | 哈尔滨工业大学 | 一种基于偏最小二乘算法的推进系统故障诊断方法 |
CN104298189A (zh) * | 2013-07-09 | 2015-01-21 | 费希尔-罗斯蒙特系统公司 | 具有在状态间转换的用户可定义的动作的状态机功能块 |
CN106444719A (zh) * | 2016-10-28 | 2017-02-22 | 南京航空航天大学 | 一种切换拓扑下的多机协同故障诊断方法 |
CN107065843A (zh) * | 2017-06-09 | 2017-08-18 | 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 |
CN107272667A (zh) * | 2017-08-07 | 2017-10-20 | 华中科技大学 | 一种基于平行的偏最小二乘法的工业过程故障检测方法 |
US20170322114A1 (en) * | 2016-05-06 | 2017-11-09 | International Business Machines Corporation | Change Detection Using Directional Statistics |
CN107357275A (zh) * | 2017-07-27 | 2017-11-17 | 中南大学 | 非高斯工业过程故障检测方法及系统 |
CN107453918A (zh) * | 2017-08-25 | 2017-12-08 | 中国人民解放军火箭军装备研究院 | 一种数据丢失与通信故障下的分布式目标跟踪方法及装置 |
CN108490923A (zh) * | 2018-04-28 | 2018-09-04 | 南京航空航天大学 | 用于电气牵引系统的微小故障检测与定位的系统设计方法 |
CN108780519A (zh) * | 2016-03-11 | 2018-11-09 | 奇跃公司 | 卷积神经网络中的结构学习 |
CN108803465A (zh) * | 2018-06-19 | 2018-11-13 | 哈尔滨工业大学 | 一种基于闭环数据驱动的分布式即插即用故障监测方法 |
CN108986135A (zh) * | 2018-06-05 | 2018-12-11 | 南京航空航天大学 | 一种基于llc与频域残差显著度的目标跟踪方法及装置 |
CN110083860A (zh) * | 2019-03-13 | 2019-08-02 | 东北大学 | 一种基于相关变量选择的工业故障诊断方法 |
CN111095130A (zh) * | 2017-08-09 | 2020-05-01 | 赛峰飞机发动机公司 | 用于控制飞机发动机的混合系统和控制其的方法 |
CN111158351A (zh) * | 2020-01-19 | 2020-05-15 | 哈尔滨工业大学 | 数据驱动的故障诊断与最优控制系统一体化设计方法 |
WO2020118512A1 (zh) * | 2018-12-11 | 2020-06-18 | 大连理工大学 | 一种基于lft的航空发动机传感器及执行机构故障诊断方法 |
US20200348633A1 (en) * | 2018-01-10 | 2020-11-05 | Spiro Control Ltd | Process control system and method |
CN111897310A (zh) * | 2020-07-24 | 2020-11-06 | 华中科技大学 | 基于一维多头卷积网络的工业过程故障分类方法和系统 |
CN112099351A (zh) * | 2020-09-03 | 2020-12-18 | 西北工业大学 | 一种基于中心对称多面体的分布式故障诊断方法 |
CN112272804A (zh) * | 2018-05-18 | 2021-01-26 | 西门子股份公司 | 无需动态系统模型的工业过程在线故障定位 |
US20210042338A1 (en) * | 2019-08-08 | 2021-02-11 | Nice Ltd. | Systems and methods for analyzing computer input to provide next action |
CN112735536A (zh) * | 2020-12-23 | 2021-04-30 | 湖南大学 | 一种基于子空间随机化单细胞集成聚类方法 |
-
2021
- 2021-05-08 CN CN202110499809.3A patent/CN113189968B/zh active Active
Patent Citations (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4257100A (en) * | 1974-08-10 | 1981-03-17 | Fraunhofer-Gesellschaft Zur Forderung Der Angewandten Forschung E.V. | Electronic data processing system for real time data processing |
KR870700159A (ko) * | 1984-12-17 | 1987-03-14 | 컴버스쳔 엔지니어링 인코포레이티드 | 서브 프로세스 제어 방법 |
EP0720004A2 (de) * | 1994-12-27 | 1996-07-03 | LITEF GmbH | FDIC-Verfahren zur Minimierung von Messfehlern in einer Messanordnung von redundanten Sensoren |
US6014598A (en) * | 1996-06-28 | 2000-01-11 | Arcelik A.S. | Model-based fault detection system for electric motors |
US20030014699A1 (en) * | 2000-01-29 | 2003-01-16 | Jari Kallela | System and method for determining the effectiveness of production installations, fault events and the causes of faults |
WO2003060617A1 (de) * | 2002-01-21 | 2003-07-24 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zum erfassen und verarbeiten von signalen von industriellen prozessen |
EP1543392A1 (en) * | 2002-06-28 | 2005-06-22 | Umetrics AB | Method and device for monitoring and fault detection in industrial processes |
US20050055175A1 (en) * | 2003-09-10 | 2005-03-10 | Jahns Gary L. | Industrial process fault detection using principal component analysis |
US7100081B1 (en) * | 2003-10-09 | 2006-08-29 | Advanced Micro Devices, Inc. | Method and apparatus for fault classification based on residual vectors |
US20050147183A1 (en) * | 2004-01-02 | 2005-07-07 | Willink Tricia J. | Method for updating singular value decomposition of a transfer matrix |
WO2007130692A2 (en) * | 2006-05-07 | 2007-11-15 | Applied Materials, Inc. | Adaptive multivariate fault detection |
EP2415022A1 (en) * | 2009-04-01 | 2012-02-08 | i-Cetana Pty Ltd | Systems and methods for detecting anomalies from data |
CN102176159A (zh) * | 2011-02-28 | 2011-09-07 | 哈尔滨工业大学 | 一种基于状态观测器和等价空间的卫星姿控系统故障诊断装置及方法 |
EP2527931A1 (en) * | 2011-05-23 | 2012-11-28 | Honeywell spol s.r.o. | Communication failure tolerant distributed Kalman filter |
CN104298189A (zh) * | 2013-07-09 | 2015-01-21 | 费希尔-罗斯蒙特系统公司 | 具有在状态间转换的用户可定义的动作的状态机功能块 |
CN103472820A (zh) * | 2013-09-18 | 2013-12-25 | 哈尔滨工业大学 | 一种基于偏最小二乘算法的推进系统故障诊断方法 |
CN108780519A (zh) * | 2016-03-11 | 2018-11-09 | 奇跃公司 | 卷积神经网络中的结构学习 |
US20170322114A1 (en) * | 2016-05-06 | 2017-11-09 | International Business Machines Corporation | Change Detection Using Directional Statistics |
CN106444719A (zh) * | 2016-10-28 | 2017-02-22 | 南京航空航天大学 | 一种切换拓扑下的多机协同故障诊断方法 |
CN107065843A (zh) * | 2017-06-09 | 2017-08-18 | 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 |
CN107357275A (zh) * | 2017-07-27 | 2017-11-17 | 中南大学 | 非高斯工业过程故障检测方法及系统 |
CN107272667A (zh) * | 2017-08-07 | 2017-10-20 | 华中科技大学 | 一种基于平行的偏最小二乘法的工业过程故障检测方法 |
CN111095130A (zh) * | 2017-08-09 | 2020-05-01 | 赛峰飞机发动机公司 | 用于控制飞机发动机的混合系统和控制其的方法 |
CN107453918A (zh) * | 2017-08-25 | 2017-12-08 | 中国人民解放军火箭军装备研究院 | 一种数据丢失与通信故障下的分布式目标跟踪方法及装置 |
US20200348633A1 (en) * | 2018-01-10 | 2020-11-05 | Spiro Control Ltd | Process control system and method |
CN108490923A (zh) * | 2018-04-28 | 2018-09-04 | 南京航空航天大学 | 用于电气牵引系统的微小故障检测与定位的系统设计方法 |
CN112272804A (zh) * | 2018-05-18 | 2021-01-26 | 西门子股份公司 | 无需动态系统模型的工业过程在线故障定位 |
CN108986135A (zh) * | 2018-06-05 | 2018-12-11 | 南京航空航天大学 | 一种基于llc与频域残差显著度的目标跟踪方法及装置 |
CN108803465A (zh) * | 2018-06-19 | 2018-11-13 | 哈尔滨工业大学 | 一种基于闭环数据驱动的分布式即插即用故障监测方法 |
WO2020118512A1 (zh) * | 2018-12-11 | 2020-06-18 | 大连理工大学 | 一种基于lft的航空发动机传感器及执行机构故障诊断方法 |
CN110083860A (zh) * | 2019-03-13 | 2019-08-02 | 东北大学 | 一种基于相关变量选择的工业故障诊断方法 |
US20210042338A1 (en) * | 2019-08-08 | 2021-02-11 | Nice Ltd. | Systems and methods for analyzing computer input to provide next action |
CN111158351A (zh) * | 2020-01-19 | 2020-05-15 | 哈尔滨工业大学 | 数据驱动的故障诊断与最优控制系统一体化设计方法 |
CN111897310A (zh) * | 2020-07-24 | 2020-11-06 | 华中科技大学 | 基于一维多头卷积网络的工业过程故障分类方法和系统 |
CN112099351A (zh) * | 2020-09-03 | 2020-12-18 | 西北工业大学 | 一种基于中心对称多面体的分布式故障诊断方法 |
CN112735536A (zh) * | 2020-12-23 | 2021-04-30 | 湖南大学 | 一种基于子空间随机化单细胞集成聚类方法 |
Non-Patent Citations (16)
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114115198A (zh) * | 2021-11-25 | 2022-03-01 | 哈尔滨工业大学 | 一种面向装配生产线的分布式诊断与优化控制方法及控制系统 |
CN115167376A (zh) * | 2022-08-09 | 2022-10-11 | 哈尔滨工业大学 | 一种基于平均一致性的数据驱动分布式协同诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113189968B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113189968B (zh) | 互联工业过程的分布式故障诊断方法 | |
DE102016008987B4 (de) | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt | |
CN101535909B (zh) | 热交换器中的异常情况预防 | |
US8055479B2 (en) | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process | |
CN101523316A (zh) | 用于检测加工厂中的故障的方法和系统 | |
JP2010522905A (ja) | プロセスプラントにおける異常状態の多変量検出 | |
JP2009512097A (ja) | 早期イベント検出のためのシステム、方法、およびコンピュータプログラム | |
US7930136B2 (en) | Simplified algorithm for abnormal situation prevention in load following applications | |
CN108375965A (zh) | 一种基于多变量块交叉相关性剔除的非高斯过程监测方法 | |
Papadopoulos et al. | Distributed diagnosis of actuator and sensor faults in HVAC systems | |
Weerasinghe et al. | Neural networks for fault diagnosis of a nuclear fuel processing plant at different operating points | |
CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
CN115167376B (zh) | 一种基于平均一致性的数据驱动分布式协同诊断方法 | |
US11966217B2 (en) | Faulty variable identification technique for data-driven fault detection within a process plant | |
CN114115198A (zh) | 一种面向装配生产线的分布式诊断与优化控制方法及控制系统 | |
KR20010036423A (ko) | 일반 회귀 신경망을 이용한 고장 검출 방법 및 장치 | |
Boem et al. | Stochastic fault detection in a plug-and-play scenario | |
CN117170304B (zh) | 一种基于工业物联网的plc远程监测控制方法及系统 | |
Maroli et al. | A Framework for Automated Collaborative Fault Detection in Large-Scale Vehicle Networks | |
Gonçalves et al. | Monitoring an experimental reactor using the group method of data handling approach | |
Degliuomini et al. | Low cost monitoring system for safe production of hydrogen from bio-ethanol | |
Joe et al. | Clustering Intelligent Sensor Nodes for Distributed Fault Detection & Diagnosis | |
Scenna | Fault diagnosis in batch processes | |
Wouwer | Networked Plantwide Process Control with Asynchronous Communication and Control | |
Cermignani et al. | Model-based diagnosis of continuous static systems |
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 |