CN116768214A - 多晶硅生产设备故障诊断方法、装置、服务器及存储介质 - Google Patents

Abstract

本申请提供了一种多晶硅生产设备故障诊断方法、装置、服务器及存储介质，涉及设备故障诊断领域，方法包括：获取目标设备在预设时间窗内采集到的待分析样本数据和第一历史样本数据；并确定由设备参数构成的第一集合以及由设备参数及其对应的上下游工艺参数整体构成的第二集合；进一步根据设备均值向量和设备协方差矩阵，确定设备参数的第一稳健距离；根据整体均值向量和整体协方差矩阵，确定设备参数及其对应的上下工艺参数整体的第二稳健距离；若第一稳健距离大于第一稳健距离阈值和/或第二稳健距离大于第二稳健距离阈值，确定运行状态为异常状态。保证了诊断的全面性以及诊断结果的准确性，保证了诊断时的基准的稳定性，提高了诊断效率。

Description

多晶硅生产设备故障诊断方法、装置、服务器及存储介质

技术领域

本申请涉及设备故障诊断技术领域，特别涉及多晶硅生产设备故障诊断方法、装置、服务器及存储介质。

背景技术

设备故障诊断与预警在大化工行业中至关重要，不仅在于保证设备能安全运行以及在异常状态下及时检修，更在于保障化工工艺流程的安全且稳定的运行。将关键设备的状态监测与上、下游工艺捆绑分析，有利于将设备管理与工艺管控紧密关联，从而完善设备健康管理体系，加强其可靠性、实用性、安全性、高效性。

一般针对各类动设备、静设备，多数专利仅针对设备参数(且多为振幅)进行分析，而未考虑工艺影响。

当前，在多晶硅工艺中，各压缩机、加热器等设备的状态监测方法均为基于专家经验的阈值检测(即来自厂家的警戒值和连锁值)，涉及电流、振动烈度等设备参数。不过，上述参数仅为单独的参数，并没有实现设备参数与工艺工况的结合。而实际上，设备发生故障的原因，82％来自于工艺工况的问题。因此，急需一种整体性的状态监测方式，用于故障诊断及实时监测。

针对上述问题，现有技术中尝试使用基于动态主成分降维的蚯蚓盒子系统，虽然便于直观观察实时数据的稳定情况以及是否出现异常，但是由于该方法在历史数据上无法形成稳定的基准空间，即数据实时更新时，只能通过结合历史数据，将整体的得分矩阵、载荷矩阵、特征值进行更新，并取新样本的对应值，会影响计算速度，且不便于系统运维和中控室、仪表车间员工对该原理的理解。

发明内容

本申请实施例要达到的技术目的是提供一种多晶硅生产设备故障诊断方法、装置、服务器及存储介质，用以解决当前基于单独的设备参数进行故障诊断的方式无法进行快速、准确的进行设备故障诊断的问题。

为解决上述技术问题，本申请实施例提供了一种多晶硅生产设备故障诊断方法，包括：

获取目标设备在目标时间点采集到的待分析样本数据以及在多个第一历史时间点分别采集到的第一历史样本数据，所述第一历史时间点与所述目标时间点之间的时间差小于预设时间差，所述目标时间为监测时间点或任意一个历史时间点；

根据所述待分析样本数据以及所述第一历史样本数据，确定由预设的设备参数构成的第一集合以及由所述设备参数及其对应的上下游工艺参数整体构成的第二集合；

对所述第一集合中的所述设备参数进行经验模态分解(Empirical ModeDecomposition，EMD)，得到第三集合；

根据所述第三集合以及设备均值向量和设备协方差矩阵，确定所述设备参数的第一稳健距离；以及，根据所述第二集合以及整体均值向量和整体协方差矩阵，确定所述设备参数及其对应的上下工艺参数整体的第二稳健距离，其中，所述设备均值向量和所述设备协方差矩阵为预先根据多个第二历史数据中的所述设备参数确定，所述整体均值向量和所述整体协方差矩阵为预先根据多个所述第二历史数据中的所述设备参数及及其对应的上下游工艺参数确定；

若所述第一稳健距离大于预先确定的第一稳健距离阈值，和/或，所述第二稳健距离大于预先确定的第二稳健距离阈值，确定所述目标时间点对应的采样时间内所述目标设备的运行状态为异常状态，否则，确定所述运行状态为正常状态。

优选地，如上所述的方法，还包括：

获取所述目标设备的多个所述第二历史样本数据；

根据所述第二历史样本数据，确定由所述设备参数构成的第四集合以及由所述设备参数及其对应的上下游工艺参数整体构成的第五集合；

对所述第四集合中的所述设备参数进行经验模态分解，得到第六集合；

根据所述第六集合，确定所述设备均值向量、所述设备协方差矩阵以及第三稳健距离；以及，根据所述第五集合，确定所述整体均值向量、所述整体协方差矩阵以及第四稳健距离。

进一步的，如上所述的方法，还包括：

根据所述第三稳健距离确定所述第一稳健距离阈值，以及，根据所述第四稳健距离确定所述第二稳健距离阈值。

具体地，如上所述的方法，在获取到原始样本数据后，所述方法还包括：

根据预设的预处理策略，对所述原始样本数据进行预处理，得到预处理后的所述原始样本数据，其中，所述原始样本数据为所述待分析样本数据和所述第一历史样本数据，或者为所述第二历史样本数据；

所述预处理包括以下至少一项：

参数有效性分析；

主成分分析；

插值处理；

相关性分析；

样本稀疏处理。

具体地，如上所述的方法，在对所述设备参数进行经验模态分解之后，所述方法还包括：

根据所述设备参数分解得到的本征模函数(Intrinsic Mode Function，IMF)分量的数量，确定IMF分量的最大参考数量；

根据所述最大参考数量进行IMF分量补充，其中，补充的所述IMF分量的数值为0。

进一步的，如上所述的方法，还包括：

在确定所述运行状态后，根据所述运行状态和/或所述目标时间点，展示和存储所述待分析样本数据，并输出所述运行状态。

具体地，如上所述的方法，在所述运行状态为所述异常状态的情况下，所述方法还包括：

根据确定所述异常状态的所述第一稳健距离和/或所述第二稳健距离进行预警。

本申请的另一实施例还提供了一种多晶硅生产设备故障诊断装置，包括：

第一处理模块，用于获取目标设备在目标时间点采集到的待分析样本数据以及在多个第一历史时间点分别采集到的第一历史样本数据，所述第一历史时间点与所述目标时间点之间的时间差小于预设时间差，所述目标时间为监测时间点或任意一个历史时间点；

第二处理模块，用于根据所述待分析样本数据以及所述第一历史样本数据，确定由预设的设备参数构成的第一集合以及由所述设备参数及其对应的上下游工艺参数整体构成的第二集合；

第三处理模块，用于对所述第一集合中的所述设备参数进行经验模态分解，得到第三集合；

第四处理模块，用于根据所述第三集合以及设备均值向量和设备协方差矩阵，确定所述设备参数的第一稳健距离；以及，根据所述第二集合以及整体均值向量和整体协方差矩阵，确定所述设备参数及其对应的上下工艺参数整体的第二稳健距离，其中，所述设备均值向量和所述设备协方差矩阵为预先根据多个第二历史数据中的所述设备参数确定，所述整体均值向量和所述整体协方差矩阵为预先根据多个所述第二历史数据中的所述设备参数及及其对应的上下游工艺参数确定；

第五处理模块，用于若所述第一稳健距离大于预先确定的第一稳健距离阈值，和/或，所述第二稳健距离大于预先确定的第二稳健距离阈值，确定所述目标时间点对应的采样时间内所述目标设备的运行状态为异常状态，否则，确定所述运行状态为正常状态。

本申请的再一实施例还提供了一种服务器，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的多晶硅生产设备故障诊断方法的步骤。

本申请的又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的多晶硅生产设备故障诊断方法的步骤。

与现有技术相比，本申请实施例提供的多晶硅生产设备故障诊断方法、装置、服务器及存储介质，至少具有以下有益效果：

通过仅获取需要诊断时间点对应的样本数据以及在此之前的部分历史数据，减少了计算量；诊断过程中涉及设备参数以及其上下游工艺参数，保证了诊断的全面性以及诊断结果的准确性；每种参数集合基于统一的均值向量和协方差矩阵计算稳健距离，并基于统一的阈值进行判断，保证了诊断时的基准的稳定性，且提高了诊断效率。

附图说明

图1为多晶硅生产设备故障诊断方法的流程示意图之一；

图2为多晶硅生产设备故障诊断方法的流程示意图之二；

图3为设备参数的时序示意图；

图4为设备参数及其上下游工艺参数整体对应的稳健距离的示意图；

图5为设备参数的经验模态分解结果和稳健距离示意图；

图6为设备参数对应的稳健距离的示意图；

图7为多晶硅生产设备故障诊断装置的结构示意图之一；

图8为多晶硅生产设备故障诊断方法的结构示意图之二。

具体实施方式

为使本申请要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。

在本申请的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。

参见图1，本申请的一实施例提供了一种多晶硅生产设备故障诊断方法，包括：

步骤S101，获取目标设备在目标时间点采集到的待分析样本数据以及在多个第一历史时间点分别采集到的第一历史样本数据，所述第一历史时间点与所述目标时间点之间的时间差小于预设时间差，所述目标时间为监测时间点或任意一个历史时间点；

步骤S102，根据所述待分析样本数据以及所述第一历史样本数据，确定由预设的设备参数构成的第一集合以及由所述设备参数及其对应的上下游工艺参数整体构成的第二集合；

步骤S103，对所述第一集合中的所述设备参数进行经验模态分解，得到第三集合；

步骤S104，根据所述第三集合以及设备均值向量和设备协方差矩阵，确定所述设备参数的第一稳健距离；以及，根据所述第二集合以及整体均值向量和整体协方差矩阵，确定所述设备参数及其对应的上下工艺参数整体的第二稳健距离，其中，所述设备均值向量和所述设备协方差矩阵为预先根据多个第二历史数据中的所述设备参数确定，所述整体均值向量和所述整体协方差矩阵为预先根据多个所述第二历史数据中的所述设备参数及及其对应的上下游工艺参数确定；

步骤S105，若所述第一稳健距离大于预先确定的第一稳健距离阈值，和/或，所述第二稳健距离大于预先确定的第二稳健距离阈值，确定所述目标时间点对应的采样时间内所述目标设备的运行状态为异常状态，否则，确定所述运行状态为正常状态。

在本实施例中，在对多晶硅生产设备进行故障诊断时，会基于在目标设备以及该目标设备对应的上下游工艺参数对应的设备上设置有采样点位，进而根据采样周期采样，可在需要进行故障诊断的目标时间获取到对应的待分析数据样本，以及在此之前的第一历史样本数据。需要说明的是，本申请的方案可以对任一历史事件点对应的历史数据进行故障诊断，也可对当前的监测时间点对应的当前数据样本进行诊断。且根据待分析样本数据的时间点，确定第一历史样本数据，可以保证进行故障诊断时的准确性，同时，第一历史样本数据与待分析样本数据之间存在时间关系，有利于避免每次都需要利用全部历史数据样本带来的大计算量，例如：第一历史样本数据与待分析样本数据位于一个预设长度的数据时间窗内，当待分析样本数据对应的时间点后移时，第一历史样本数据对应的第一历史时间点也同步后移。

在获取到待分析样本数据以及所述第一历史样本数据后，将预设的设备参数单独构成第一集合，设备参数及其对应的上下游工艺参数整体构成的第二集合，进而在进行分析时可对设备参数以及对设备参数及其对应的上下游工艺参数整体进行分析，从而避免因只对其中一个进行分析，存在诊断不全面的问题，从而导致诊断结果不准确。其中，设备参数为对目标设备影响较大的参数，对于不同的目标设备，其对应的设备参数也不尽相同，例如：在一具体实施例中，目标设备为急冷塔循环泵设备，设备参数为电流。

在确定第一集合后，为了体现目标设备本身的稳定特性，对于设备参数，需要进行独立分析，因此，会对第一集合中的设备参数进行经验模态分解，并基于分解后的IMF分量，得到第三集合，以便进行后续计算。其中，经验模态分解方法，是通过获取一个参数的时序样本，并逐步分离出若干IMF分量，剩余一个残余分量，由于该经验模态分解方法为现有技术，在此不进行赘述。

在进行计算时，会基于预先获取到关于设备参数的设备均值向量和设备协方差矩阵以及上述得到的第三集合，得到关于设备参数的第一稳健距离；同理，基于预先获取到关于设备参数及其上下游工艺参数整体的整体均值向量和整体协方差矩阵以及上述得到的第二集合，得到关于设备参数及其上下游工艺参数整体的第二稳健距离，其中，稳健距离为基于快速协方差行列式算法的改进型行列式，其为现有技术，因此对如何得到稳健距离的步骤不再赘述。需要说明的是，此步骤中涉及的设备均值向量、设备协方差矩阵、整体均值向量和整体协方差矩阵均为预先根据多个第二历史数据中对应的参数确定，即在实施例中，进行诊断时采用相同的设备均值向量、设备协方差矩阵、整体均值向量和整体协方差矩阵进行计算，有利于保证诊断时的基准的稳定性，从而有利于提高计算效率。

在获取到上述的第一稳健距离和第二稳健距离后，将其分别与对应的阈值进行判断，若所述第一稳健距离大于预先确定的第一稳健距离阈值，则可确定目标设备自身故障，若所述第二稳健距离大于预先确定的第二稳健距离阈值，则可确定目标设备上下游的工艺设备故障，若两者都大于对应的阈值，则可确定目标设备及其上下游的工艺设备均故障，从而即可实现对目标设备的及时。全面的诊断。需要说明的是，本步骤中的第一稳健距离阈值与上一步骤中的根据第二历史数据得到的设备均值向量和设备协方差矩阵相关，本步骤中的第二稳健距离阈值与上一步骤中的根据第二历史数据得到的整体均值向量和整体协方差矩阵相关。

综上所述，本实施例通过仅获取需要诊断时间点对应的样本数据以及在此之前的部分历史数据，减少了计算量；诊断过程中涉及设备参数以及其上下游工艺参数，保证了诊断的全面性以及诊断结果的准确性；每种参数集合基于统一的均值向量和协方差矩阵计算稳健距离，并基于统一的阈值进行判断，保证了诊断时的基准的稳定性，且提高了诊断效率。

为便于本领域技术人员理解，以下对上述实施例中预先获取到的与设备参数对应的设备均值向量、设备协方差矩阵和第一稳健距离阈值，以及与设备参数及其对应的上下游工艺参数整体对应的整体均值向量、整体协方差矩阵以及第二稳健距离阈值的获取步骤进行示意。

参见图2，优选地，如上所述的方法，还包括：

步骤S201，获取所述目标设备的多个所述第二历史样本数据；

步骤S202，根据所述第二历史样本数据，确定由所述设备参数构成的第四集合以及由所述设备参数及其对应的上下游工艺参数整体构成的第五集合；

步骤S203，对所述第四集合中的所述设备参数进行经验模态分解，得到第六集合；

步骤S204，根据所述第六集合，确定所述设备均值向量、所述设备协方差矩阵以及第三稳健距离；以及，根据所述第五集合，确定所述整体均值向量、所述整体协方差矩阵以及第四稳健距离。

在一实施例中，优选获取目标设备的多个第二历史样本数据，此处的多个第二历史样本数据优选为目标设备或与目标设备工作状况和设备状况相同的其他设备的所有历史样本数据。但若所有历史样本数据过多时，可结合数据时效性、环境等因素适当进行删减。

在获取到第二历史样本数据后基于与上述类似的步骤，例如：集合划分、经验模态分解等，得到所需的第五集合和第六集合，在此不再赘述。

在得到第五集合和第六集合后，基于优化的马氏距离算法即最小协方差行列式算法，利用上述集合求得第六集合对应的设备均值向量和设备协方差矩阵，以及第五集合对应的整体均值向量和整体协方差矩阵。其中，设备均值向量为设备参数经过经验模态分解的所有分量在时序上的均值形成的向量；整体均值向量为设备参数及其上下游工艺参数整体在时序上的均值形成的向量；设备协方差矩阵为设备参数经验模态分解的所有分量整体形成的协方差矩阵；整体协方差矩阵为设备参数及其上下游工艺参数整体形成的协方差矩阵。由于最小协方差行列式算法为现有技术，在此不再赘述。

在获取到设备均值向量和设备协方差矩阵后，即可结合第六集合得到此时设备参数对应的第三稳健距离，同理，在获取到整体均值向量和整体协方差矩阵后，即可结合第五集合得到此时设备参数及其上下游工艺参数整体对应的第四稳健距离；进一步的，通过对第三稳健距离和第四稳健距离增加系数和/或检测范围等即可得到第一稳健距离阈值和第二稳健距离阈值。在一具体实施例中，第一稳健距离阈值的判定值为：其中，x为第三稳健距离，p与设备参数的上下游工艺参数的数量相关，a为预设系数，一般为0.975。检测范围，包括2σ、3σ、6σ检测范围，一般适用于在健康样本的基础上实时监测。

具体地，如上所述的方法，在获取到原始样本数据后，所述方法还包括：

根据预设的预处理策略，对所述原始样本数据进行预处理，得到预处理后的所述原始样本数据，其中，所述原始样本数据为所述待分析样本数据和所述第一历史样本数据，或者为所述第二历史样本数据；

所述预处理包括以下至少一项：

参数有效性分析；

主成分分析；

插值处理；

相关性分析；

样本稀疏处理。

在本实施例中，为保证计算时的数据满足计算需求且避免计算量过大，因此会基于用户的设置对获取到的原始数据进行预处理，其中，需要说明的是，本实施例中所述的原始样本数据为后续需要进行计算的样本数据，例如在进行故障诊断时，原始样本数据为待分析样本数据和第一历史样本数据，在获取设备均值向量、设备协方差矩阵、整体均值向量、整体协方差矩阵、第一稳健距离阈值和第二稳健距离阈值时，原始样本数据为第二历史数据。其中预处理的方式包括但不限于：参数有效性分析；主成分分析；插值处理；相关性分析；样本稀疏处理等，实际使用时根据用户指令，选择其中的一种或多种进行预处理。

以下对上述的多种预处理方式的实施方式进行简单描述。

参数有效性分析，是对各采样点采集得到的参数设置对应的参数阈值(警戒值或连锁值)，当目标参数对应的参数值，超出对应的参数阈值范围时，确定目标参数对应的采样点位异常(即噪点)，并筛除，其中，目标参数为设备参数及其对应的上下游工艺参数中的任一参数。

主成分分析，是一种数据降维手段，霍特林T2为主成分分析降维数据中的一个阈值，由于主成分分析为现有技术，在此不进行赘述。在主成分值超过霍特林T2阈值(例如实施例中采用假设检验95％的阈值)时，对应的主成分的原始样本数据视为异常(即噪点)，并将对应的原始样本数据筛除。。

插值处理，是针对缺失数据的样本而言。除了通过上述预处理方式(参数有效性分析和主成分分析)导致的数据缺失之外，还有历史样本数据本身也可能会存在数据缺失，因而需要进行插值处理。然而，在多数情况下，缺失数据的样本较为分散，较少数情况下缺失数据的样本较为集中。因此，需要根据其分布情况，分别进行相应的插值处理过程：

当所述连续数据缺失量小于等于第一缺失量阈值(例如10个样本)时，通过线性插值进行数据插值补充；

当所述连续数据缺失量大于所述第一缺失量阈值但小于等于第二缺失量阈值(例如50个样本)时，获取所述数据缺失点两侧预设数量(例如5至10个样本)的参考样本数据，并根据所述参考样本数据的均值、双向滑动数据窗以及线性比例插值，进行数据插值补充，例如：取其均值加双向滑动数据窗的方式，求取各自的预测值，并采用线性比例的方式求取最终的填充值；

当所述连续数据缺失量大于所述第二缺失量阈值时，由于大连续样本数据的缺失，确定所述采样点位对应的设备或装置异常。

相关性分析，并非通过工艺经验(例如伯努利方程等)进行关联，而是通过分析原始样本数据中任意两个参数之间的相似程度，如果相似程度位于预设范围(例如0.95至1)内，则该两个参数视为相关，则减少其中一个参数对应的数据。

样本稀疏处理，是针对样本量较大的情况而言，一般导入的样本量均在10000以上，甚至有十万样本，因而需要在不影响整体趋势的情况下进行抽样筛选，并构成新的样本矩阵。例如：当所述原始样本数据的数量大于最大样本阈值时，根据预设时间间隔抽样筛选所述原始样本数据。

需要说明的是，根据实际情况，不一定按照上述各预处理方式的顺序进行(比如可先进行插值处理，再进行相关性分析，再进行参数有效性分析和主成分分析)，上述各预处理方式也不一定仅运行一次(即在进行插值处理后进行相关性分析，再进行参数有效性分析和主成分分析的情况下，再进行插值处理补齐时序)。

需要说明的是，参数有效性分析和主成分分析均为降噪处理。在一实施例中，参数有效性分析为初步降噪，主成分分析为进一步降噪。

通过预处理，可选择性的进行样本筛选、补充缺失数值、减少参数、适当减少样本量，用户可以在较小数据量且完整的样本基础上进行进一步的诊断、预警操作，使得故障诊断更加方便、快捷。

具体地，如上所述的方法，在对所述设备参数进行经验模态分解之后，所述方法还包括：

根据所述设备参数分解得到的IMF分量的数量，确定IMF分量的最大参考数量；

根据所述最大参考数量进行IMF分量补充，其中，补充的所述IMF分量的数值为0。

在本实施例中，对上述在设备参数进行经验模态分解之后的操作进行补充说明，其中，由于在根据IMF分量和设备协方差矩阵进行运算时，需要两者的维度即IMF分量的数量相同，因此，会根据设备参数分解得到的IMF分量的数量以及预先获取到的设备协方差矩阵进行维度比较，若当前的IMF分量的数量大于等于设备协方差矩阵的维度数量，则确定当前的IMF分量的数量为IMF分量的最大参考数量，否则，确定设备协方差矩阵的维度数量为IMF分量的最大参考数量。进而基于该最大参考数量对当前的IMF分量或设备协方差矩阵的维度进行IMF分量补充，其中，补充的IMF分量的数值为0。

进一步的，如上所述的方法，还包括：

在确定所述运行状态后，根据所述运行状态和/或所述目标时间点，展示和存储所述待分析样本数据，并输出所述运行状态。

在本实施例中，在上述确定目标设备的运行状态后，为便于用户掌握目标设备的运行状态，还会根据运行状态和/或目标时间点，展示和存储待分析样本数据，并输出运行状态。其中，展示和存储待分析样本数据，便于用户详细了解目标时间点设备的运行数据，存储便于后续将其作为历史数据进行查询或计算等。

具体地，如上所述的方法，在所述运行状态为所述异常状态的情况下，所述方法还包括：

根据确定所述异常状态的所述第一稳健距离和/或所述第二稳健距离进行预警。

在本实施例中，在确定运行状态为异常状态的情况下，还会通过预警装置进行预警，例如通过改变灯光颜色、频率，发出声音、弹出文字等。以便用户基于预警及时进行处理。具体地，预警时可基于造成异常状态的原因例如第一稳健距离异常和/或所述第二稳健距离异常进行区别预警，使用户可以进行针对性的处理。

具体而言，如果第二稳健距离异常，则认为目标设备的上下游工艺异常，该预警信息可提供至工艺模块，供工艺工程师查看、决策；如果第一稳健距离异常条件，则认为目标设备出现异常，该信息可提供至设备模块，供设备工程师查看、决策。

为便于本领域技术人员理解，以下以一关于急冷塔循环泵(目标设备)的故障诊断及监测(包括相关的验证)为具体实施例进行说明。

针对现场急冷塔循环泵叶轮受损出现的故障，选取2022年4月20日至2022年6月1日共计61820个样本进行诊断，选取的参数共计23个，其中急冷塔循环泵的设备参数为电流。预处理细节如表1所示。

表1预处理细节表

将预处理后的电流数据进行可视化处理，如图3所示，可以明显看出样本第670-第970之间的电流值极小，实际上是因为在检修，此外电流整体处于减小的趋势，但实际上并未达到警戒值，因而没有触发报警，因此难以识别故障情况，需要进一步变换处理。

将上述12个参数，1032个样本用于计算稳健距离和对应的阈值(此时的p＝12)，得到的结果如图4所示。如图可见，异常样本集中在前300个样本中，对应4月20日-4月28日的样本。而结合工艺分析进行验证，发现对应的样本中，所有的压力参数、流控参数出现明显的波动。同时，求得故障检测率为83.87％，处于一个较高的水平。因此，该故障是来源于工艺工况的异常，实际上，该故障是因为上游流体夹杂硅粉造成的叶轮受损。

但是，针对第670-第970之间的样本，电流因换泵而变得极小，但是在图4中并未对其进行检出。因而针对设备参数电流，同样需要进行诊断检出。这也是上述步骤中加入设备参数单独分析内容的原因。

针对电流的样本，没有发现缺失的样本，因而直接进行经验模态分解，得到的结果如图5所示，发现得到6个IMF分量和1个残余分量。可以明显发现，EMD分解之后，所有分量同样在第670-第970个样本之间发生大幅波动。接着利用上述7个分量，求取其稳健距离，得到的结果如图6所示，同样能发现在相同时间段内明显波动，且波动程度更大。将换泵视为故障现象，则求得的故障检出率为100％。

根据上述两个稳健距离样本，可以直观看出工艺异常情况和设备故障状况。

之后再以求得的协方差矩阵、均值矩阵、阈值为基准，代入实时更新数据，得到实时更新的稳健距离样本，并判断是否超过阈值从而触发报警。在随后的7月15日，发现全参数集合(设备参数及其上下游工艺参数整体的集合)的稳健距离超出阈值，而设备参数分量集合的稳健距离并没有超出阈值，说明是上下游工艺出现异常，经检查，发现上游流量激增，而下游流量出现短暂降低，进一步检查，发现流体中硅粉含量较多，因而需要对上游流量及流化床内的旋风分离器进行调整。

参见图7，本申请的另一实施例还提供了一种多晶硅生产设备故障诊断装置，包括：

第一处理模块701，用于获取目标设备在目标时间点采集到的待分析样本数据以及在多个第一历史时间点分别采集到的第一历史样本数据，所述第一历史时间点与所述目标时间点之间的时间差小于预设时间差，所述目标时间为监测时间点或任意一个历史时间点；

第二处理模块702，用于根据所述待分析样本数据以及所述第一历史样本数据，确定由预设的设备参数构成的第一集合以及由所述设备参数及其对应的上下游工艺参数整体构成的第二集合；

第三处理模块703，用于对所述第一集合中的所述设备参数进行经验模态分解，得到第三集合；

第四处理模块704，用于根据所述第三集合以及设备均值向量和设备协方差矩阵，确定所述设备参数的第一稳健距离；以及，根据所述第二集合以及整体均值向量和整体协方差矩阵，确定所述设备参数及其对应的上下工艺参数整体的第二稳健距离，其中，所述设备均值向量和所述设备协方差矩阵为预先根据多个第二历史数据中的所述设备参数确定，所述整体均值向量和所述整体协方差矩阵为预先根据多个所述第二历史数据中的所述设备参数及及其对应的上下游工艺参数确定；

第五处理模块705，用于若所述第一稳健距离大于预先确定的第一稳健距离阈值，和/或，所述第二稳健距离大于预先确定的第二稳健距离阈值，确定所述目标时间点对应的采样时间内所述目标设备的运行状态为异常状态，否则，确定所述运行状态为正常状态。

优选地，如上所述的装置，还包括：

第六处理模块，用于获取所述目标设备的多个所述第二历史样本数据；

第七处理模块，用于根据所述第二历史样本数据，确定由所述设备参数构成的第四集合以及由所述设备参数及其对应的上下游工艺参数整体构成的第五集合；

第八处理模块，用于对所述第四集合中的所述设备参数进行经验模态分解，得到第六集合；

第九处理模块，用于根据所述第六集合，确定所述设备均值向量、所述设备协方差矩阵以及第三稳健距离；以及，根据所述第五集合，确定所述整体均值向量、所述整体协方差矩阵以及第四稳健距离。

进一步的，如上所述的装置，还包括：

第十处理模块，用于根据所述第三稳健距离确定所述第一稳健距离阈值，以及，根据所述第四稳健距离确定所述第二稳健距离阈值。

具体地，如上所述的装置，还包括：

第十一处理模块，用于根据预设的预处理策略，对所述原始样本数据进行预处理，得到预处理后的所述原始样本数据，其中，所述原始样本数据为所述待分析样本数据和所述第一历史样本数据，或者为所述第二历史样本数据；

所述预处理包括以下至少一项：

参数有效性分析；

主成分分析；

插值处理；

相关性分析；

样本稀疏处理。

具体地，如上所述的装置，还包括：

第十二处理模块，用于根据所述设备参数分解得到的IMF分量的数量，确定IMF分量的最大参考数量；

第十三处理模块，用于根据所述最大参考数量进行IMF分量补充，其中，补充的所述IMF分量的数值为0。

进一步的，如上所述的装置，还包括：

第十四处理模块，用于在确定所述运行状态后，根据所述运行状态和/或所述目标时间点，展示和存储所述待分析样本数据，并输出所述运行状态。

具体地，如上所述的装置，还包括：

第十五处理模块，用于根据确定所述异常状态的所述第一稳健距离和/或所述第二稳健距离进行预警。

本申请的装置实施例是与上述方法的实施例对应的装置，上述方法实施例中的所有实现手段均适用于该装置的实施例中，也能达到相同的技术效果。

参见图8，在本申请的另一实施例中，还对多晶硅生产设备故障诊断装置的结构进行了详细描述，其中包括：

点位存储模块801，用于统计现场输入的参数及其信息，将各个参数的信息及名称标签存储于其中；

样本存储模块802，将现场输入的参数的样本存储于其中，并将缺失数据的数值定义为“*”；

事件设定及存储模块803，用于输入限定类条件即上述各种预处理方式中涉及到的阈值等，一般情况下，该条件均为静态条件，一般为一个常数值，也可以为基本运算得到的结果，但是也存在动态阈值的情况，根据其数学原理，可在其中进行编程，在这种特殊情况下，为了便于编程，可支持外部语言导入；

预处理模块804，即上述的第十一处理模块，其与事件设定及存储模块S403相链接，包括：

参数有效性分析单元，用于进行初步降噪，

主成分分析单元，用于进一步筛选，例如，预设有主成分降维算法以及霍特林T²、平方预测误差(Squared Prediction Error,SPE)检验值计算模块；

相关性分析单元，预设有相关性分析算法，并展示二维相关性分析结果，根据其中内容进行手动筛选参数；

插值及抽样单元，负责将各个参数的样本数值补齐，并按照自定义时间间隔进行筛选；

诊断模块805(包括：上述的第四模块、第五模块、第九模块和第十模块中的至少一项)和预警模块806(如上述的第十五模块)均预设有快速最小协方差行列式算法，用于计算优化的历史数据的协方差矩阵、均值矩阵，并在其基础上计算稳健距离和阈值，此外还统计故障点信息，对于每一个样本，异常点记录为1，正常点记录为0，特殊地，对于预警模块S408，在利用历史数据确定了协方差矩阵、均值矩阵时，将不再利用历史数据(即历史数据不占据预警模块的存储)，只利用协方差矩阵和均值矩阵求解实时更新样本的稳健距离；

数据展示模块807(如上述的第十四处理模块)，展示所有处理过程以及相应的图表(例如某参数的时序图，而该时序图可以随时调整展示的时间范围)，报警模块808主要针对预警模块806的实时更新数据而言，如果超过阈值，则亮红，即为报警，正常情况下为绿色；

案例存储模块809对所有操作步骤以及处理数据的结果作为案例进行备份(并随着新的操作出现可实时更新)，并将处理后的数据样本实时输出大型展示界面，此外，备份的作用在于，假如发生了严重的事故，用户可以调取案例存储模块80中的案例进行分析，确定事故原因。

本申请的再一实施例还提供了一种服务器，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的多晶硅生产设备故障诊断方法的步骤。

本申请的又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的多晶硅生产设备故障诊断方法的步骤

此外，本申请可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含。

以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种多晶硅生产设备故障诊断方法，其特征在于，包括：

获取目标设备在目标时间点采集到的待分析样本数据以及在多个第一历史时间点分别采集到的第一历史样本数据，所述第一历史时间点与所述目标时间点之间的时间差小于预设时间差，所述目标时间为监测时间点或任意一个历史时间点；

根据所述待分析样本数据以及所述第一历史样本数据，确定由预设的设备参数构成的第一集合以及由所述设备参数及其对应的上下游工艺参数整体构成的第二集合；

对所述第一集合中的所述设备参数进行经验模态分解，得到第三集合；

根据所述第三集合以及设备均值向量和设备协方差矩阵，确定所述设备参数的第一稳健距离；以及，根据所述第二集合以及整体均值向量和整体协方差矩阵，确定所述设备参数及其对应的上下工艺参数整体的第二稳健距离，其中，所述设备均值向量和所述设备协方差矩阵为预先根据多个第二历史数据中的所述设备参数确定，所述整体均值向量和所述整体协方差矩阵为预先根据多个所述第二历史数据中的所述设备参数及及其对应的上下游工艺参数确定；

若所述第一稳健距离大于预先确定的第一稳健距离阈值，和/或，所述第二稳健距离大于预先确定的第二稳健距离阈值，确定所述目标时间点对应的采样时间内所述目标设备的运行状态为异常状态，否则，确定所述运行状态为正常状态。

2.根据权利要求1所述的方法，其特征在于，还包括：

获取所述目标设备的多个所述第二历史样本数据；

根据所述第二历史样本数据，确定由所述设备参数构成的第四集合以及由所述设备参数及其对应的上下游工艺参数整体构成的第五集合；

对所述第四集合中的所述设备参数进行经验模态分解，得到第六集合；

根据所述第六集合，确定所述设备均值向量、所述设备协方差矩阵以及第三稳健距离；以及，根据所述第五集合，确定所述整体均值向量、所述整体协方差矩阵以及第四稳健距离。

3.根据权利要求2所述的方法，其特征在于，还包括：

根据所述第三稳健距离确定所述第一稳健距离阈值，以及，根据所述第四稳健距离确定所述第二稳健距离阈值。

4.根据权利要求1或2所述的方法，其特征在于，在获取到原始样本数据后，所述方法还包括：

根据预设的预处理策略，对所述原始样本数据进行预处理，得到预处理后的所述原始样本数据，其中，所述原始样本数据为所述待分析样本数据和所述第一历史样本数据，或者为所述第二历史样本数据；

所述预处理包括以下至少一项：

参数有效性分析；

主成分分析；

插值处理；

相关性分析；

样本稀疏处理。

5.根据权利要求1或2所述的方法，其特征在于，在对所述设备参数进行经验模态分解之后，所述方法还包括：

根据所述设备参数分解得到的本征模函数IMF分量的数量，确定IMF分量的最大参考数量；

根据所述最大参考数量进行IMF分量补充，其中，补充的所述IMF分量的数值为0。

6.根据权利要求1所述的方法，其特征在于，还包括：

在确定所述运行状态后，根据所述运行状态和/或所述目标时间点，展示和存储所述待分析样本数据，并输出所述运行状态。

7.根据权利要求1或6所述的方法，其特征在于，在所述运行状态为所述异常状态的情况下，所述方法还包括：

根据确定所述异常状态的所述第一稳健距离和/或所述第二稳健距离进行预警。

8.一种多晶硅生产设备故障诊断装置，其特征在于，包括：

第一处理模块，用于获取目标设备在目标时间点采集到的待分析样本数据以及在多个第一历史时间点分别采集到的第一历史样本数据，所述第一历史时间点与所述目标时间点之间的时间差小于预设时间差，所述目标时间为监测时间点或任意一个历史时间点；

第二处理模块，用于根据所述待分析样本数据以及所述第一历史样本数据，确定由预设的设备参数构成的第一集合以及由所述设备参数及其对应的上下游工艺参数整体构成的第二集合；

第三处理模块，用于对所述第一集合中的所述设备参数进行经验模态分解，得到第三集合；

第四处理模块，用于根据所述第三集合以及设备均值向量和设备协方差矩阵，确定所述设备参数的第一稳健距离；以及，根据所述第二集合以及整体均值向量和整体协方差矩阵，确定所述设备参数及其对应的上下工艺参数整体的第二稳健距离，其中，所述设备均值向量和所述设备协方差矩阵为预先根据多个第二历史数据中的所述设备参数确定，所述整体均值向量和所述整体协方差矩阵为预先根据多个所述第二历史数据中的所述设备参数及及其对应的上下游工艺参数确定；

第五处理模块，用于若所述第一稳健距离大于预先确定的第一稳健距离阈值，和/或，所述第二稳健距离大于预先确定的第二稳健距离阈值，确定所述目标时间点对应的采样时间内所述目标设备的运行状态为异常状态，否则，确定所述运行状态为正常状态。

9.一种服务器，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的多晶硅生产设备故障诊断方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的多晶硅生产设备故障诊断方法的步骤。