[发明专利]基于并发式非平稳过程分析模型的故障检测方法

说明书

本发明公开了一种基于并发式非平稳过程分析模型的故障检测方法。方法为：由在化工无故障运行过程中采集的过程变量和质量变量组成训练样本集并进行归一化处理；结合归一化后的训练样本集，利用特定算法构建并训练分析模型；通过分析模型求解特征统计量，并确定特征统计量的控制限；在线收集待测化工运行过程中的过程变量和质量变量，并进行归一化处理；结合归一化后的待测变量集利用分析模型求解待测化工运行过程中的特征统计量，然后根据待测化工运行过程中的特征统计量判断待测化工运行过程中是否存在故障。本发明为工业过程故障检测提供了一个完整的监控框架，有效提取非平稳过程的质量变量，更适用于监测具有质量特性的非平稳工业过程。

技术领域

本发明涉及了监测工业运行状态领域的一种故障检测方法，尤其涉及基于并发式非平稳过程分析模型的故障检测方法。

背景技术

为了避免重大安全事故，减少经济损失，提高生产质量，需要对工艺操作和设备进行监控。随着过程数据的规模和可利用率不断增加，基于数据的过程监控方法在过去几十年中被广泛应用于现代工业过程中。作为数据驱动方法的经典代表，主成分分析PCA、偏最小二乘PLS、独立成分分析ICA已被普遍应用于工业过程监测。这些技术致力于通过将原始空间的数据投影到低维潜变量子空间来提取与过程操作状态相关的特征。然后，基于潜在空间建立监测统计量以实现故障检测。这些方法的一个常见假设是，被监测的过程在平稳条件下运行。然而，工业过程通常表现出典型的非平稳特性，例如注塑过程和热电厂过程。由于操作阶段的切换、季节性波动、设备老化和不可测量的干扰，非平稳过程变量的统计特性将随时间变化。在这种情况下，传统方法提取的特征无法准确揭示受监控过程的状态。

事实上，非平稳过程监控已成为一个热点课题，并在过去十年中得到了迅速的发展。总体上看，主流方法可以分为以下三类，即：自适应建模方法，基于协整理论分析的方法，基于子空间分解的方法。首先，自适应建模方法根据单工况下收集到训练数据建立初始模型，然后根据当前数据和设定的更新规则对模型参数进行调整。其次，基于协整理论分析的方法主要通过寻找非平稳变量中的协整关系，得到平稳的变量线性组合。基于子空间分解的方法旨在将稳态子空间从原始空间中分离出来，其中最有代表性的方法是稳态子空间分析。

上述方法已成功应用于非平稳工业过程监测。遗憾的是，大多数现有方法没有考虑和提取非平稳过程数据的质量相关和质量无关信息。对于复杂的工业过程，一些过程变量与质量有关，另一些与质量无关。然而，SSA使用所有变量的线性组合来确定平稳和非平稳投影矩阵，这可能导致估计的平稳和非平稳信号源变得不可靠。关于提取数据中与质量相关和与质量无关的信息，概率偏最小二乘PPLS模型是一种有效的方法，然而，大多数基于概率偏最小二乘PPLS的方法需要从平稳过程中收集的数据，主要适用于平稳工业过程的监测。

发明内容

为了克服现有技术的缺陷，本发明所提供了一种基于并发式非平稳过程分析模型的故障检测方法。通过采用特定的模型结构对工业过程进行建模，提取工业过程的质量相关平稳特征、质量无关平稳特征、质量相关非平稳特征和质量无关非平稳特征，然后利用所提取的特征开发过程残差统计量、质量残差统计量、质量相关平稳特征统计量、质量无关平稳特征统计量、质量相关非平稳特征统计量和质量无关非平稳特征统计量等六个统计量，用于检测非平稳工业过程的故障，实现对非平稳工业过程运行状态的监测。

本发明采用的技术方案是：

本方法包括以下步骤：

步骤1：由在化工无故障运行过程中采集的过程变量X和质量变量Y组成训练样本集；所述过程变量X包括空气流量、搅拌功率和底物流率，所述质量变量Y包括产物浓度；