[发明专利]一种工业过程关键指标的故障预警方法

说明书

本发明公开了一种工业过程关键指标的故障预警方法，依据历史数据构造训练集，采用工业过程中的关键指标，对训练集进行正交处理，以此离线建立慢特征分析模型，实时获取工业过程中的样本，构造待测样本，运用离线模型计算统计量，并对统计量滤波后判断是否预警。该方法着眼于使用工业过程中的关键指标，如产品质量指标，剔除监控变量空间中与关键指标无关的成分，能够在关键指标发生故障时准确预警，误报率低，有益于企业稳定生产，提高产品质量。

技术领域

本发明涉及工业过程中的故障检测，具体为一种面向工业过程中关键指标进行监测变量的成分提取，从而减少非必要报警和降低误报率的故障预警方法。

背景技术

海量工业历史数据的积累，使得基于数据驱动的过程监控方法成为当前故障预警的重要手段。目前，主成分分析、偏最小二乘等方法在当前故障监控中应用很多。这类方法往往通过监测方差最大、变化最快的成分进行故障预警。由于工业过程中往往存在较多的扰动和噪声，变化最快的部分也有可能为扰动和噪声，对这些成分进行监控导致误报率较高。近年来，慢特征分析方法开始在工业过程故障监控领域得到应用。然而，慢特征分析方法依然存在误报率较高、无关紧要的报警过多等问题。

工业生产过程中有许多监控变量，有些变量对生产监控十分关键，有些则不尽然。关键指标一般包括产品的性质指标以及工艺过程中的关键温度、压力等。为了保持这些关键指标的稳定，常规的数据驱动方法往往通过机理分析选择一组与关键指标关联的变量用于故障监控。而实际的工业生产过程中，往往会有多个闭环控制回路，闭环反馈调节使得部分扰动的影响可以得到快速抑制，而最终的关键指标不会受到扰动的影响。如果将这些中间变量的变化纳入预警分析，极易产生大量非必要的报警。最为重要的是，即使是具有丰富工艺机理知识的专家，选择出的变量中仍然可能包含较多与关键指标并不相关的成分，从而对预警产生不利影响。

发明内容

针对上述问题，本发明公开一种工业过程关键指标的故障预警方法，通过剔除与关键指标无关的成分，保留与之相关的成分，结合慢特征分析方法挖掘过程中变化最缓慢却又最能反应系统变化的本质特征，建立在线故障预警系统，并对监控结果进行滤波，在发生与关键指标相关的故障时及时预警并降低误报率。

本发明分为建立故障预警模型和在线监测两大步骤，其中建立模型的过程包含以下步骤：

(1)根据工艺机理，选取与关键指标变量y关联的m个变量x₁,x₂,…,x_m作为监测变量，并从这些监测变量中选取n个连续时刻的正常样本及其对应的y值；

(2)以m个变量每一时刻及其过去k个时刻的样本构造训练集U₀：

并按照下式对U₀进行标准化预处理得到U₁：

u_ij^*＝(u_ij-μ_j)/s_j

其中，u_ij表示矩阵U₀的第i行第j列元素，μ_j表示U₀第j列的均值，s_j表示U₀第j列的标准差，u_ij^*表示预处理后矩阵U₁的第i行第j列元素；同样以关键指标变量每一时刻及其过去k个时刻的样本构造矩阵Y₀并进行预处理得到Y；

(3)采用主成分分析计算U₁的第一主成分得分向量t₁并将t₁对Y做正交处理，剔除该主成分中与关键指标无关的部分，得到正交于Y的得分向量t_new：