[发明专利]基于运行参数关联性分析的工业过程异常工况预测方法

权利要求书

1.一种基于运行参数关联性分析的工业过程异常工况预测方法，其特征在于，包括以下步骤：

步骤1：采用Holt指数平滑模型，对工业过程各传感器所采集的测量值序列进行定步长预测；

步骤2：以滑动窗口的方式，构造以工业过程运行参数变化趋势为特征的三元组，对数据窗口内的测量值序列进行表示，并通过基于欧氏距离的关联性指标计算该窗口内任意两个运行参数的关联性；

步骤3：根据已计算获得的关联性数据构造关联性预测模型，所述的关联性预测模型为多元自回归模型，并通过偏最小二乘算法估计模型参数；

步骤4：对于新获得数据，根据关联性预测模型进行设备异常工况的预测，并在预测到异常工况发生前不断更新关联性预测模型以及模型参数；

所述步骤1包含以下子步骤：

步骤1.1：针对具有多个传感器的工业设备，记传感器数量为N，当设备处于运行过程中，不断采集到表征设备运行状态的运行参数值即传感器数据，将各传感器测量序列记为其中K表示序列长度，表示传感器i在第k个采样时刻点的测量值；

步骤1.2：对于传感器i，采用Holt指数平滑模型对其测量值序列进行预测，给定测量值其平滑值可根据下式计算：

其中，表示的平滑值；是线性增长因子，代表平滑后的趋势；α和β是平滑系数，取值范围均为(0，1)；Holt模型的初始条件如下：

步骤1.3：在获得测量数据的平滑值以及线性增长因子后，利用该结果进行预测，预测值为：

其中l代表预测步长，τ为设备传感器信号的采样间隔；

步骤2包含以下子步骤：

步骤2.1：运行参数关联性分析分为时间序列分段拟合、三元组表示和关联性计算三个阶段；时间序列分段拟合阶段中，对于固定长度为L的数据窗口，记为窗口W_j，运行参数Xⁱ，i＝1，2，...，N，在该窗口内的L个数据为其中j为该窗口起点，对应的采样时刻为t_j；若假设该窗口内其中一个时间段内的m个数据能够由一条线段进行拟合，对于其中的测量值其在拟合线段中所对应的值为则该线段的拟合误差ERR计算公式为：

在对于以j为起点的窗口数据进行分段线性化时，从开始对其进行线段拟合；在数据分段拟合的过程按以下步骤进行，其中记设定的拟合误差阈值为ω_E：

步骤(1)：设置拟合起点为拟合终点为h＝2；其中，对于以j为起点的窗口W_j，初始的拟合起点为

步骤(2)：对于数据采用直线回归的方式进行线段拟合，由此获得相应的线段数据根据所述的拟合误差ERR计算公式计算其拟合误差ERR；

步骤(3)：若ERR≤ω_E，则令h＝h+1，并重复步骤(2)；若ERR＞ω_E，则保存当前拟合终点，重置h＝2，并回到步骤(1)，以当前拟合终点为新的拟合起点进行下一部分数据的拟合；

重复以上步骤(1)～(3)直至该窗口W_j内所有数据均已线段化，即获得了分段线性化后的数据

步骤2.2：在线段三元组表示阶段，采用以下三元组的形式来描述一条线段s_j，

其中，k_j表示线段斜率，表示该线段在时间轴上的长度，r_j表示该线段数值的增长率，即对于线段数据对于窗口W_j数据线段化后的新序列得到其三元组序列表示形式为{s₁，s₂，...，s_n}，其中n表示该窗口内数据分段后的线段数量；

步骤2.3：在关联性计算阶段，对于设备运行过程中的两个运行参数V^A和运行参数V^B，首先需对线段化后的数据进行分割：在窗口W_j内，记参数V^A的分段点为参数V^B的分段点为其中n_A和n_B分别表示运行参数V^A和V^B的测量数据在该窗口内分段后的线段数；对参数V^A和V^B的分段点进行合并，去除重复项并进行从小到大排列，得到两个参数的分割点序列为随后，根据该分割点序列以及三元组表示形式获得参数V^A和V^B新的三元组序列为和

获得窗口W_j内两个参数V^A和V^B的三元组序列后，通过基于欧氏距离的关联性指标d^AB来计算该窗口内两个参数V^A和V^B的关联性：

式中：为参数V^A第i条线段的斜率，为参数V^B第i条线段的斜率，为参数V^A第i条线段的数值增长率，为参数V^B第i条线段的数值增长率；

步骤3包含以下子步骤：

步骤3.1：构造关联性预测模型：设置预测步长为f，根据已知数据长度确定模型设计参数U和M使U+f+M-1＝窗口W_j的总个数，并构造以下矩阵：

其中，{d₁，d₂，...，d_U+f+M-1}表示参数V^A和V^B的关联性序列，d_j表示窗口W_j内两个参数V^A和V^B的关联性指标d^AB；

步骤3.2：对于每一关联性序列，使用其中U个关联性值预测f步长后的关联性值，构造关联性预测模型：

F_p＝D_pθ

其中，参数θ＝[θ₁，θ₂，...，θ_U]^T，可由偏最小二乘算法获得；

步骤4包含以下子步骤：

在预测时，利用传感器新获得的数据构造新的矩阵：

随后，使用已构造关联性预测模型对关联性值进行f步预测，即

当判断设备出现异常，其中d_normal为设备运行初期处于正常运行状态时参数V^A和V^B的关联性值，ω_p为关联性值相对于初始正常的漂移量阈值；若则利用传感器获得的新数据重构模型以更新模型参数θ；

随着数据的更新不断预测一定预测步长的关联性值，从而预测设备异常工况发生时间。