CN116382103B - 一种生产过程间歇故障及趋势畸变的监测与辨识方法 - Google Patents

一种生产过程间歇故障及趋势畸变的监测与辨识方法 Download PDF

Info

Publication number
CN116382103B
CN116382103B CN202310664317.4A CN202310664317A CN116382103B CN 116382103 B CN116382103 B CN 116382103B CN 202310664317 A CN202310664317 A CN 202310664317A CN 116382103 B CN116382103 B CN 116382103B
Authority
CN
China
Prior art keywords
fault
optimal
identification
model
order
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
CN202310664317.4A
Other languages
English (en)
Other versions
CN116382103A (zh
Inventor
胡绍林
张清华
文成林
孙国玺
刘美
陈金鹏
柯烨
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.)
Maoming Green Chemical Industry Research Institute
Guangdong University of Petrochemical Technology
Original Assignee
Maoming Green Chemical Industry Research Institute
Guangdong University of Petrochemical Technology
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 Maoming Green Chemical Industry Research Institute, Guangdong University of Petrochemical Technology filed Critical Maoming Green Chemical Industry Research Institute
Priority to CN202310664317.4A priority Critical patent/CN116382103B/zh
Publication of CN116382103A publication Critical patent/CN116382103A/zh
Application granted granted Critical
Publication of CN116382103B publication Critical patent/CN116382103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开一种生产过程间歇故障及趋势畸变的监测与辨识方法，包括：通过采样数据对周期递进混合多项式模型中的参量进行最优辨识，生成最优模型系数参量；基于最优模型系数参量，计算故障监测门限，并根据故障监测门限生成残差特性的示性函数，通过对生成过程中实时采样数据的示性函数计算，判定是否发生故障，并当系统发生故障时，生成对应的故障幅度辨识结果，以实现间歇故障的监测与辨识；构建门限控制函数，并基于门限控制函数通过最优递推辨识算法对实时采样数据进行计算，获取估值序列，对估值序列构建系数偏离指数，对系数偏离指数进行判断，生成趋势畸变辨识结果，以实现趋势畸变的检测与辨识。

Description

一种生产过程间歇故障及趋势畸变的监测与辨识方法
技术领域
本发明涉及电子信息与工业自动化安全控制技术领域，特别涉及一种生产过程间歇故障及趋势畸变的监测与辨识方法。
背景技术
在石油化工、电气工程、机械制造等广泛领域，为保障生产过程安全，通常必须配置专门的监控系统，对生产状态及事故风险进行实时监控，通过对主要参数的监测和异常变化甄别，即使发现生产现场可能出现的各种各样的故障并及时报警。例如，电力自动化的监控系统、计算机集成制造的DCS（Distributed Control System）和石油化工的数据采集与监视控制系统SCADA(Supervisory Control And Data Acquisition)等。特别是SCADA系统，其应用十分广泛，可以应用于石油、化工、电力、冶金、交通等领域的数据采集与监视控制，在保障过程安全与故障防控中占重要地位。
现有各种监控系统，其核心是基于对现场设备运行数据的采集，实现对设备控制、参数调节和各类事故风险的及时报警，在生产过程自动化与安全防事故方面起着重要作用。但是，无论是集成在DCS的监控系统还是SCADA等各种专门性实时监控系统，现有监控逻辑主要是基于实测数据或特征参数实测值的门限报警，需要事先设定固定门限C（或上限Ca和下线Cb），当实测数据量值超出设定门限时监控系统及时报警。这种方法不仅存在着门限难以合适设定的困难，而且容易触发频繁虚警和门限内异变漏警，带来安全隐患。近年来，国际国内生产及工程应用领域尽管提出过以多级门限为核心的各种改进方法，但是，关于门限如何设置得更合理以及野值频繁触发虚警和门限内异变漏警等问题，到目前为止并没有得到根本性的有效解决，已成为影响生产过程监控系统正常运行的难题。
发明内容
为解决上述现有技术中所存在的问题，本发明提供一种生产过程间歇故障及趋势畸变的监测与辨识方法，能够实现间歇性故障诱发异常变化的在线监测与故障幅度辨识，提升监控系统易用性、适应性和可靠性。
为了实现上述技术目的，本发明提供了如下技术方案：一种生产过程间歇故障及趋势畸变的监测与辨识方法，包括：
构建石化仪表采样数据的周期递进混合多项式模型；
通过采样数据对周期递进混合多项式模型中的参量进行最优辨识，生成最优模型系数参量；
基于最优模型系数参量，计算故障监测门限，并根据故障监测门限生成残差特性的示性函数，通过对生成过程中实时采样数据的示性函数计算，判断是否发生故障，当系统发生故障时，生成对应的故障幅度辨识结果，以实现间歇故障的监测与辨识；
构建门限控制函数，并基于门限控制函数通过最优递推辨识算法对实时采样数据进行计算，获取估值序列，对估值序列构建系数偏离指数，对系数偏离指数进行判断，生成趋势畸变辨识结果，以实现趋势畸变的检测与辨识。
可选的，所述周期递进混合多项式模型为：
；
其中，为石化装置随时间变化的采样数据序列，/>为第/>采样测量数据的采样时间，/>为起始时间，/>为采样间隔，/>为周期分量的变化频率，分别为不同的模型系数参量，k为阶次参数，整数/>、整数/>和整数/>分别为代数多项式阶次、正弦多项式阶次和余弦多项式阶次，/>为随机扰动分量综合影响。
可选的，对周期递进混合多项式模型中的阶数及参数进行最优辨识的过程包括：
设置周期递进混合多项式模型的阶次参量的变化域，并通过最速下降法获取系统参量及频率的最优估值，并构建目标函数，所述目标函数为历史采样数据与代入阶次参量、系统参量及频率的最优估值的周期递进混合多项式模型预测值差值的平方结果；
基于历史采样数据，通过目标函数对系统参量及频率的最优估值及遍历变化域的阶次参量进行计算，获取计算结果中目标函数最小化对应阶次参量作为最优模型阶次；
基于历史采样数据中的任意数据片段，通过最优模型阶次及频率最优估值计算，得到任意片段最优模型系数参量；
通过递推算法对任意片段最优模型系数参量进行计算，得到最优模型系数参量。
可选的，所述递推算法为：
；
式中,第一矩阵和第二矩阵/>分别由下式的递推关系确定
其中，为模型系数参量的基于从第i+1到第i+n个采样数据的递推最优估计，/>为模型系数参量的基于第i到第i+n-1个采样数据的递推最优估计，/>为/>时刻的基函数向量，/>为/>时刻的基函数向量的转置向量，/>为/>时刻的采样数据，/>为/>时刻的基函数向量，/>为/>阶单位矩阵，/>分别为代数多项式阶次、正弦多项式阶次和余弦多项式阶次的最优估值，/>为/>时刻的基函数向量的转置向量，上角标τ表示矩阵及向量的转置运算。
可选的，残差特性的示性函数的获取过程包括：
通过最优模型系数参量构造仪表预测值及预测误差；
基于任意片段最优模型系数参量及预测误差，计算得到故障监测门限；
根据故障监测门限构建示性函数。
可选的，所述故障监测门限计算过程为：
为第i时刻的故障监测门限，/>为中值算子，/>为可调参数（缺省值为），/>为滤波残差，/>为/>时刻的预测误j差。
可选的，所述故障幅度为：
为示性函数，其中，
为/>时刻的预测误差对应符号函数由下式确定：
，
为/>时刻的预测误差，/>为第j时刻的故障监测门限。
可选的，所述门限控制函数为：
为非负常数的可调参数（缺省值为/>），/>为函数变量，/>为针对x及d的门限控制函数。
可选的，所述估值序列的获取方法包括单侧容错辨识方法及双侧容错辨识方法；
其中，单侧容错辨识方法为：
双侧容错辨识方法为
式中，为模型系数参量的基于从第i+1到第i+n个采样数据的递推容错容错估计，/>为模型系数参量的基于从第i到第i+n-1个采样数据的递推容错估计。
可选的，所述系数偏离指数为
其中，为第k种模态的模型系数参量基于从第i+1到第i+n个采样数据的递推容错估计，/>为第k种模态的模型系数参量基于从第s+1到第s+n个采样数据的递推容错估计。
本发明具有如下技术效果：
针对上述难题，本发明建立一种基于滑动窗容错拟合的生产过程间歇性故障在线监视与幅度辨识方法，可以不受之前故障的影响，实现对间歇性故障的科学、快捷、高效的检测与诊断。本发明方法用于在线监控和诊断生产过程不同环节的各类间歇性故障，可以有效突破现有固定门限监测方法的局限性，自适应设置和优化监测门限，改进监控逻辑，实现间歇性故障诱发异常变化的在线监测与故障幅度辨识，提升监控系统易用性、适应性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于二次损失函数的挖掘引擎流程示意图；
图2为本发明实施例提供的模型结构的滑动递推辨识过程示意图；
图3为本发明实施例提供的间歇性故障监测与辨识过程示意图；
图4为本发明实施例提供的趋势异常型故障的在线监测与模态辨识示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在石油化工等流程工业生产过程中，及时发现和有效防控事故是保障安全的重要途径。针对生产过程间歇故障及趋势畸变监测难和辨识难的问题，本发明公开了一种生产过程间歇性故障的在线监测与幅度辨识方法：从仪表实测数据的挖掘分析入手，实现数据驱动的混合多项式周期递进模型构建、定阶与结构辨识；采用滑动窗推进的方法，通过监测滑动预报残差实现了生产过程突发性间歇故障的在线监测与幅度辨识；在构建模型结构参数滑动递推容错辨识方法的基础上，通过构建各特征模态对应系数偏离指数，实现了对生产过程趋势异常型故障的在线监测与模态辨识。本发明对及时发现生产过程间歇故障及趋势畸变和保障生产过程安全有重要技术价值。
石化装置生产过程中，有大量仪表在线获取全流程不同环节的工况数据，包括但不限于温度、压力、流量、液位等。上述不同类型的实际工况数据是判断生产工况的重要依据。为了及时发现异常工况和避免事故发生，需要尽可能准确可靠地及时判断工况数据异常与否。对此，本发明公开一种基于滑动窗容错拟合的间歇故障在线监测与幅度辨识方法，具体发明内容包括如下四个部分：
A. 仪表实测数据的混合多项式周期递进拟合建模
依据Weierstrass第一逼近定理和Weierstrass第二逼近定理，本发明提出融合代数多项式基函数和三角多项式基函数的石化设备生产过程仪表数据的周期递进模型建模方法：
第一步: 构造基函数集，其中/>,/>和/>；
第二步:选取、/>和/>等三组基函数集合，构建新的基函数集合/>；利用Weierstrass第一逼近定理所揭示的闭区间上连续函数可以被代数多项式一致逼近和Weierstrass第二逼近定理所揭示的闭区间上周期性变化连续函数可以用三角多项式一致逼近等理论成果，提出并实现如下形式的仪表数据周期递进型混合多项式模型：
(1)
其中，是时间变量，/>为周期分量的变化频率，/>分别为不同的模型系数参量，k为阶次参数，整数/>、整数/>和整数/>分别为代数多项式阶次、正弦多项式阶次和余弦多项式阶次;
第三步:记为起始时间，/>为采样间隔，/>为第/>采样测量数据的采样时间，石化装置随时间变化的采样数据序列为/>，与模型（1）对接后得到石化仪表采样数据的模型化表示
(2)
上述的模型形式（2）很好地契合了石化仪表采样数据主要由周期性变化分量、趋势性变化分量/>，以及测量误差等随机扰动分量综合影响/>三部分构成的实际特点，有助于揭示石化生产过程仪表数据呈现周期递进变化的特性。
B. 模型定阶与模型参数的最优辨识
对于模型（2）阶次参量、系数参量/>和周期分量变化频率/>，构造基于二次损失函数的挖掘引擎，如图1所示
模型的系数参量、阶次参量/>和周期分量变化频率/>的挖掘过程，如图2所示，分六步完成：
第一步：设定滑动窗宽H和滑窗内仪表采样数据点数（/>和/>均为可调参数，满足关系/>，/>为采样时间间隔，/>取缺省值20）。
第二步：从仪表历史数据中选取宽度的一段数据，并确保该数据在段内无故障（如果有单个故障数据，也可采用经验或Lagrange插值法修复），记该段数据为。
第三步：结合过程实际，适当限定参量变化域为/>，对每组/>值，采用最速下降法确定系统参量/>的最优估值/>和频率/>的最优估值/>，/>为随机扰动分量综合影响最优估值，并计算对于上述估值的目标函数值：
(3)
第四步：让阶次参量的三个元素组合遍历集合/>每个三元整数组，得到式（3）不同阶次情况下的目标函数值/>，通过目标函数值的极小化，得到最合适模型阶次：
(4)
第五步：选用频率的最优估值/>和阶次的最优估计值三元组/>，对滑动窗口内的任意仪表数据片段/>，按式（5）获得模型系数参量/>的最优估计
(5)
第六步：随着滑动窗口沿时间轴推进，即仪表获得时刻数据/>时，窗口内数据片段从第i+1到第i+n个采样数据/>的模型系数参量/>的最优估计/>，/>为/>时刻的采样数据，可以在式（5）所确定的最优估计基础上，利用式（6）所示递推算法快速获得
(6)
式中，,第一矩阵和第二矩阵/>分别由上式的递推关系确定，，并且/>时/>为/>时刻的基函数向量，/>时/>为/>时刻的基函数向量；/>为/>时刻的基函数向量的转置向量，/>为/>阶单位矩阵，/>分别为代数多项式阶次、正弦多项式阶次和余弦多项式阶次的最优估值，/>为/>时刻的基函数向量的转置向量。
C. 生产过程突发性间歇故障的在线监测与幅度辨识
生产过程中，各种突发性强干扰影响会导致工况瞬时呈现出脉冲型或阶跃型突变情形；仪表数据本身也会因为误码等原因，导致偶尔出现数据野值或斑点。上述异常情形的监测与诊断，对于保障生产过程安全是十分必要的。但是，由于其发生过程的偶然性、无规律性和难复现性，如何避免监控系统的虚警和漏警是石化过程生产安全技术的难点。对此，以上述的周期递进建模和模型系数的滑动窗递推最优估计为基础，本发明建立一种新颖、可靠、简捷、实用的突发性间歇故障在线监测与幅度辨识方法，如图3所示，具体由如下四步构成：
第一步：利用模型系数参量的滑动窗口最优估计，构造/>时刻仪表预测值/>及预测误差/>，
(7)
第二步：利用随滑动窗口内的数据、以及由式（5）获得的模型系数最优估计序列/>，计算故障监测门限
(8)
式中，为第i时刻的故障监测门限，/>为滤波残差，为中值算子，/>为可调参数（缺省值为1.483），
第三步：利用式(7)所示残差序列，构造0/1序列，作为一种残差特征示性函数，取值为1或0，
(9)
第四步：故障的监测与诊断，当示性函数时，过程在/>时刻可能已发生故障，故障幅度的估值/>等于
(10)
式中，为/>时刻的预测误差对应符号函数，由下式确定：
，
为/>时刻的预测误差，/>为第j时刻的故障监测门限.故障的间歇性特征：由式(9)生成的0/1数据序列，反应了单通道间歇故障发生的间歇性，如不同故障之间的间隔和频度。随着窗口向前滑动一个采样间隔，即/>，重复上述步骤，对过程进行监控与诊断，直到过程终止。
D. 生产过程趋势异常型故障的在线监测与模态辨识
随着生产过程的持续，一些局部性的微小故障或状态异常变化可能形成一种呈现趋势性特征的异常变化或故障，加深对生产安全的影响。由于通常不具备可供对比的正常变化曲线，直接用数据本身变化趋势曲线来判断异变趋势的方法难以凑效。对此，本发明建立一种模型拟合系数容错辨识方法与基于容错辨识的拟合系数异变识别方法，如图4所示，具体由如下五步构成。
第一步：选取合适的非负常数(可调参数，缺省值取/>)，构造有界对称型的门限控制函数
(11)
其中，为函数变量，/>为针对x及d的门限控制函数。
第二步：构建拟合系数的双侧容错辨识方法。以式（6）所示最优递推辨识算法为基础，建立从时间窗口Ti=到时间窗口Ti+1=/>时的滑动窗双侧容错辨识：
(12)
其中，其中，为模型系数参量的基于从第i+1到第i+n个采样数据的递推容错容错估计，/>为模型系数参量的基于从第i到第i+n-1个采样数据的递推容错估计。
第三步：构建拟合系数的单侧容错辨识方法。以式（6）所示最优递推辨识算法为基础，实现从时间窗口Ti=到窗口Ti+1=/>的滑动递推单侧容错辨识：
(13)
第四步：趋势异变模态偏离指数。对周期递进模型（2）所表征过程的系数参量，无论是按第2步获得的估值序列/>或是按第3步获得的估值序列，其与/>对应分量的偏离程度反应了对应模态的趋势性异变情况。为此，以/>为例，记/>为多维序列/>的第/>维度分量，构造各特征模态对应系数偏离指数
(14)
式中，为第k种模态的模型系数参量基于从第i+1到第i+n个采样数据的递推容错估计，/>为第k种模态的模型系数参量基于从第s+1到第s+n个采样数据的递推容错估计，/>的取值范围为/>，/>为符号函数。
第五步：趋势异变模态的监测与推断。对不同对应分量，绘制横坐标为点序、纵坐标为/>值的散点图(/>时图示“+”, />时图示“-”)。如果在散点图中“+”和“-”两种图案交织出现，则判定第/>模态无明显的趋势异变；如果存在连续多个“+”连续出现，则判断该时段第/>模态存在偏大型畸变；如果存在连续多个“-”连续出现，则判断该时段第/>模态存在偏小型畸变。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种生产过程间歇故障及趋势畸变的监测与辨识方法，其特征在于，包括：
构建石化仪表采样数据的周期递进混合多项式模型；
通过采样数据对周期递进混合多项式模型中的参量进行最优辨识，生成最优模型系数参量；
基于最优模型系数参量，计算故障监测门限，并根据故障监测门限生成残差特性的示性函数，通过对生成过程中实时采样数据的示性函数计算，判断是否发生故障，当系统发生故障时，生成对应的故障幅度辨识结果，以实现间歇故障的监测与辨识；
构建门限控制函数，并基于门限控制函数通过最优递推辨识算法对实时采样数据进行计算，获取估值序列，对估值序列构建系数偏离指数，对系数偏离指数进行判断，生成趋势畸变辨识结果，以实现趋势畸变的检测与辨识；
所述周期递进混合多项式模型为：
；
其中，为石化装置随时间变化的采样数据序列，/>为第/>采样测量数据的采样时间，/>为起始时间，/>为采样间隔，/>为周期分量的变化频率，分别为不同的模型系数参量，k为阶次参数，整数/>、整数/>和整数/>分别为代数多项式阶次、正弦多项式阶次和余弦多项式阶次，/>为随机扰动分量综合影响；
对周期递进混合多项式模型中的阶数及参数进行最优辨识的过程包括：
设置周期递进混合多项式模型的阶次参数的变化域，并通过最速下降法获取系数参量及频率的最优估值，并构建目标函数，所述目标函数为历史采样数据与代入阶次参数、系数参量及频率的最优估值的周期递进混合多项式模型预测值差值的平方结果；
基于历史采样数据，通过目标函数对系数参量及频率的最优估值及遍历变化域的阶次参数进行计算，获取计算结果中目标函数最小化对应阶次参数作为最优模型阶次；
基于历史采样数据中的任意数据片段，通过最优模型阶次及频率最优估值计算，得到任意片段最优模型系数参量；
通过递推算法对任意片段最优模型系数参量进行计算，得到最优模型系数参量；
所述递推算法为：
；
式中,第一矩阵和第二矩阵/>分别由下式的递推关系确定
其中，/>为模型系数参量的基于从第i+1到第i+n个采样数据的递推最优估计，/>为模型系数参量的基于第i到第i+n-1个采样数据的递推最优估计，/>为/>时刻的基函数向量，/>为/>时刻的基函数向量的转置向量，/>为/>时刻的采样数据，/>为/>时刻的基函数向量，/>为阶单位矩阵，/>分别为代数多项式阶次、正弦多项式阶次和余弦多项式阶次的最优估值，/>为/>时刻的基函数向量的转置向量，上角标/>表示矩阵及向量的转置运算；
所述门限控制函数为：
为非负常数的可调参数，/>为函数变量，/>为针对x及d的门限控制函数；
所述估值序列的获取方法包括单侧容错辨识方法及双侧容错辨识方法；
其中, 单侧容错辨识方法为：
；
双侧容错辨识方法为
式中，/>为模型系数参量的基于从第i+1到第i+n个采样数据的递推容错估计，/>为模型系数参量的基于从第i到第i+n-1个采样数据的递推容错估计。
2.根据权利要求1所述的监测与辨识方法，其特征在于：
残差特性的示性函数的获取过程包括：
通过最优模型系数参量构造仪表预测值及预测误差；
基于任意片段最优模型系数参量及预测误差，计算得到故障监测门限；
根据故障监测门限构建示性函数。
3.根据权利要求1所述的监测与辨识方法，其特征在于：
所述故障监测门限计算过程为：
利用模型系数参量的基于从第i+1到第i+n个采样数据的递推最优估计，构造时刻的仪表预测值/>及预测误差/>，
；
计算故障监测门限：
为第i时刻的故障监测门限，为中值算子，/>为可调参数，/>为滤波残差，为/>时刻的预测误差。
4.根据权利要求1所述的监测与辨识方法，其特征在于：
所述故障幅度为：
为示性函数，其中，
为/>时刻的预测误差对应符号函数由下式确定：
，
为/>时刻的预测误差，/>为第j时刻的故障监测门限。
5.根据权利要求1所述的监测与辨识方法，其特征在于：
所述系数偏离指数为
其中，/>为第k种模态的模型系数参量基于从第j+1到第j+n个采样数据的递推容错估计，/>为第k种模态的模型系数参量基于从第s+1到第s+n个采样数据的递推容错估计。
CN202310664317.4A 2023-06-07 2023-06-07 一种生产过程间歇故障及趋势畸变的监测与辨识方法 Active CN116382103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310664317.4A CN116382103B (zh) 2023-06-07 2023-06-07 一种生产过程间歇故障及趋势畸变的监测与辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310664317.4A CN116382103B (zh) 2023-06-07 2023-06-07 一种生产过程间歇故障及趋势畸变的监测与辨识方法

Publications (2)

Publication Number Publication Date
CN116382103A CN116382103A (zh) 2023-07-04
CN116382103B true CN116382103B (zh) 2023-08-25

Family

ID=86966029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310664317.4A Active CN116382103B (zh) 2023-06-07 2023-06-07 一种生产过程间歇故障及趋势畸变的监测与辨识方法

Country Status (1)

Country Link
CN (1) CN116382103B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118310786B (zh) * 2024-06-07 2024-10-11 无锡市明通动力工业有限公司 一种工业风机叶片荷载智能测量方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103309347A (zh) * 2013-06-05 2013-09-18 浙江大学 一种基于稀疏表示的多工况过程监控方法
WO2014138896A1 (en) * 2013-03-13 2014-09-18 University Of Saskatchewan Adaptive control technique for transmission line control devices to handle large disturbance scenarios
EP2850522A2 (en) * 2012-05-15 2015-03-25 University of Lancaster Anomalous system state identification
CN109871865A (zh) * 2019-01-08 2019-06-11 浙江大学 一种基于群智能寻优的采煤机在线故障诊断系统
CN111679651A (zh) * 2020-06-08 2020-09-18 中国人民解放军火箭军工程大学 用于故障引起的变结构变参数系统的辨识方法及系统
CN112009252A (zh) * 2020-10-09 2020-12-01 哈尔滨工业大学（威海） 一种动力电池系统故障诊断及容错控制方法
CN113093536A (zh) * 2021-03-23 2021-07-09 南京航空航天大学 非线性系统执行器故障的自适应增量优化容错控制方法
CN113868311A (zh) * 2021-09-30 2021-12-31 广东石油化工学院 一种基于模型集群的工业大数据自主外挖掘方法
CN113868884A (zh) * 2021-10-09 2021-12-31 重庆理工大学 一种基于证据理论的动力电池多模型容错融合建模方法
CN114625009A (zh) * 2022-03-22 2022-06-14 浙江大学 一种基于系统辨识和最优滤波的故障检测方法
CN114841396A (zh) * 2022-03-16 2022-08-02 广东石油化工学院 石化生产过程的一种异变趋势预测与灾变风险预警方法
WO2022252505A1 (zh) * 2021-06-02 2022-12-08 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7451003B2 (en) * 2004-03-04 2008-11-11 Falconeer Technologies Llc Method and system of monitoring, sensor validation and predictive fault analysis
US10917419B2 (en) * 2017-05-05 2021-02-09 Servicenow, Inc. Systems and methods for anomaly detection

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2850522A2 (en) * 2012-05-15 2015-03-25 University of Lancaster Anomalous system state identification
WO2014138896A1 (en) * 2013-03-13 2014-09-18 University Of Saskatchewan Adaptive control technique for transmission line control devices to handle large disturbance scenarios
CN103309347A (zh) * 2013-06-05 2013-09-18 浙江大学 一种基于稀疏表示的多工况过程监控方法
CN109871865A (zh) * 2019-01-08 2019-06-11 浙江大学 一种基于群智能寻优的采煤机在线故障诊断系统
CN111679651A (zh) * 2020-06-08 2020-09-18 中国人民解放军火箭军工程大学 用于故障引起的变结构变参数系统的辨识方法及系统
CN112009252A (zh) * 2020-10-09 2020-12-01 哈尔滨工业大学（威海） 一种动力电池系统故障诊断及容错控制方法
CN113093536A (zh) * 2021-03-23 2021-07-09 南京航空航天大学 非线性系统执行器故障的自适应增量优化容错控制方法
WO2022252505A1 (zh) * 2021-06-02 2022-12-08 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法
CN113868311A (zh) * 2021-09-30 2021-12-31 广东石油化工学院 一种基于模型集群的工业大数据自主外挖掘方法
CN113868884A (zh) * 2021-10-09 2021-12-31 重庆理工大学 一种基于证据理论的动力电池多模型容错融合建模方法
CN114841396A (zh) * 2022-03-16 2022-08-02 广东石油化工学院 石化生产过程的一种异变趋势预测与灾变风险预警方法
CN114625009A (zh) * 2022-03-22 2022-06-14 浙江大学 一种基于系统辨识和最优滤波的故障检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一类设备故障过程的故障趋势预测方法研究;李钢;周东华;;空军工程大学学报(自然科学版)(第04期);9-12 *

Also Published As

Publication number Publication date
CN116382103A (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
Romano et al. Automated detection of pipe bursts and other events in water distribution systems
Zhang et al. A wavelet-based approach to abrupt fault detection and diagnosis of sensors
CN111898691B (zh) 一种河流突发水污染预警溯源方法、系统、终端及介质
Liu et al. A leak detection method for oil pipeline based on Markov feature and two-stage decision scheme
Zhang et al. SCADA-data-based wind turbine fault detection: A dynamic model sensor method
US8055479B2 (en) Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process
CN116382103B (zh) 一种生产过程间歇故障及趋势畸变的监测与辨识方法
Liu et al. A switching hidden semi-Markov model for degradation process and its application to time-varying tool wear monitoring
Zhao et al. Online fault prognosis with relative deviation analysis and vector autoregressive modeling
CN112187528B (zh) 基于sarima的工业控制系统通信流量在线监测方法
US7930136B2 (en) Simplified algorithm for abnormal situation prevention in load following applications
KR100997009B1 (ko) 산업설비의 공정 여유도에 대한 동적 감시 및 적시 경보 방법
WO2010131001A1 (en) Anomaly detection based in baysian inference
CN115372816B (zh) 基于数据分析的配电开关设备运行故障预测系统及方法
Wu et al. Optimal np control chart with curtailment
CN105043776A (zh) 一种飞机发动机性能监控与故障诊断方法
US20200302354A1 (en) Dynamic Prediction of Risk Levels for Manufacturing Operations through Leading Risk Indicators: Dynamic Risk Sloping Trend Method and System
Carratù et al. A novel methodology for unsupervised anomaly detection in industrial electrical systems
CN114485379A (zh) 一种变压器绕组在线监测方法
CN117743961A (zh) 基于长短期记忆lstm的电缆接头故障检测方法及系统
Li et al. Meteorological radar fault diagnosis based on deep learning
CN117192369A (zh) 基于数字孪生技术的曳引电机监测与诊断方法
CN111885084A (zh) 一种入侵检测方法、装置及电子设备
CN116383750A (zh) 一种基于加窗差分健康指标的滚动轴承早期异常检测方法
Romano et al. Bayesian-based online burst detection in water distribution 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