一种基于AR-PCA的间歇过程故障监测方法技术

本发明专利技术提出了一种基于AR-PCA的间歇过程故障监测方法，实现了对具有较强动态性间歇过程的在线监测。传统MPCA方法在监控间歇过程时，未考虑到由于各种随机噪声和干扰的存在而导致变量呈现出相应的自相关和互相关，从而导致在线监控过程中存在大量误报警。本发明专利技术首先将测量变量建立多变量自回归(AR)模型，模型系数矩阵采用PLS方法进行辨识，模型阶次采用AIC准则进行辨识，然后对AR模型的残差建立PCA模型，同时本发明专利技术算法在线监控新批次数据时引入了训练数据，从而提高了本发明专利技术算法的监控效果。本发明专利技术弥补了传统MPCA方法在监测具有较强动态性间歇过程时存在大量误报警的不足，对监测实际间歇生产过程具有重大意义。

【技术实现步骤摘要】
【专利摘要】本专利技术提出了一种基于AR-PCA的间歇过程故障监测方法，实现了对具有较强动态性间歇过程的在线监测。传统MPCA方法在监控间歇过程时，未考虑到由于各种随机噪声和干扰的存在而导致变量呈现出相应的自相关和互相关，从而导致在线监控过程中存在大量误报警。本专利技术首先将测量变量建立多变量自回归(AR)模型，模型系数矩阵采用PLS方法进行辨识，模型阶次采用AIC准则进行辨识，然后对AR模型的残差建立PCA模型，同时本专利技术算法在线监控新批次数据时引入了训练数据，从而提高了本专利技术算法的监控效果。本专利技术弥补了传统MPCA方法在监测具有较强动态性间歇过程时存在大量误报警的不足，对监测实际间歇生产过程具有重大意义。【专利说明】一种基于AR-PCA的间歇过程故障监测方法
本专利技术是一种间歇过程的故障监测方法，尤其针对具有较强动态性的青霉素发酵过程，应用此方法对生产过程进行故障监测，及时发现生产过程中故障。
技术介绍
现代流程工业过程规模不断扩大、复杂性日益增高，投资越来越大，迫使人们对过程生产的安全性和可靠性越来越重视；特别是在一些生物、化工过程中，常常包含高温、高压、易燃、易爆的生产过程，系统一旦发生事故就会造成人员和财产的巨大损失，而且环境污染也要比其他事故严重得多。然而，尽管随着计算机控制技术在工业过程中的逐步普及，许多生产过程实现了自动化，但工业过程中的异常事件管理仍然主要由操作员人工完成。当过程发生异常时，操作员由于受人类自身能力和经验的限制，很容易做出错误判断和行动，这时不但不能使过程恢复正常运行，而且还可能造成更重大的事故。间歇过程是现代流程工业中常见的一种生产方式，由于其本身具有的灵活性，因此被广泛应用于医药、食品、染料、香料及生化制品等小批量、高附加值产品的生产和制备当中。然而，间歇过程的生产环境及其动态特性与连续过程有明显的区别，频繁地改变生产的产品和工艺操作条件是间歇过程的正常活动方式。间歇过程往往无稳态的工作点，常常从一个稳定状态转为另一个稳定状态，因而可能存在多种状态的组合。间歇过程往往呈现强非线性、动态性和时变特性，其操作复杂度远远大于连续过程，产品质量更容易受到如原材料质量、设备状况、环境条件等不确定性因素的影响。为了提高间歇生产过程与控制系统的可维护性和安全性，并同时提高产品的质量，迫切地需要建立过程监测系统对生产过程进行故障监控与诊断。目前，以多元统计过程监控为核心的数据驱动方法在流程工业的过程故障监测和诊断领域得到了广泛的关注和研究。然而，传统的多元统计方法在推导相关统计量分布时，假设过程处于稳态，不存在时序相关性，而实际流程工业中的对象几乎很难满足上述条件，当偏离上述假设条件时，采用传统多元统计过程监控算法，就会引起错误的监控结果，导致监控算法的失效。因此，迫切需要一种解决过程动态性的监控方法对生产过程进行监测，进而进行故障诊断。
技术实现思路
本专利技术的目的就是针对现阶段过程监测方法的不足，提出了一种间歇过程的故障监测方法。通过引入AR模型对原始测量变量进行预处理，再建立PCA模型进行监测。该方法解决了过程数据具有动态性而导致的监控效果不佳问题，提高了监控性能。本专利技术采用了如下的技术方案和实现步骤:步骤一，使用过程正常运行数据作为数据驱动的训练样本，样本集由同一发酵过程相同工艺下所记录的I批次测量数据构成，X = (X1，X2,, X1)'其中Xi表示第i批次数据；每个批次数据包含K个采样时刻，每个采样时刻采集J个过程变量，即【权利要求】1.一种基于AR-PCA的间歇过程故障监测方法，其特征在于，它主要包括下列步骤:步骤一，使用过程正常运行数据作为数据驱动的训练样本，样本集由同一发酵过程相同工艺下所记录的I批次测量数据构成，X = (X1，X2,, X1V，其中Xi表示第i批次数据；每个批次数据包含K个采样时刻，每个采样时刻采集J个过程变量,即X1- UK,....)，其中^表示第i批次第k采样时亥Ij采集的数据， 2.根据权利要求1所述的一种基于AR-PCA的间歇过程故障监测方法，其特征在于，步骤二中数据标准化预处理，处理方式如下: 首先计算样本集X的所有时刻上所有过程变量的均值和标准方差，其中第k采样时刻的第j个过程变量的平均值1^的计算公式为 3.根据权利要求1所述的一种基于AR-PCA的间歇过程故障监测方法，其特征在于步骤三所述的第i批次数据的多变量AR模型如下: 4.根据权利要求3所述的一种基于AR-PCA的间歇过程故障监测方法，其特征在于:第i批次数据的多变量AR模型的系数矩阵Ci的计算公式如下: 5.根据权利要求4所述的一种基于AR-PCA的间歇过程故障监测方法，其特征在于:P^ls, Qipis , Bi以及#是通过对PLS模型进行偏最小二乘辨识得到，其中，PLS模型的输入矩阵为第i批次数据当前时刻k的前L时刻的所有变量 【文档编号】G05B23/02GK103853152SQ201410109228【公开日】2014年6月11日 申请日期:2014年3月21日 优先权日:2014年3月21日 【专利技术者】王普, 刘鑫, 高学金 申请人:北京工业大学本文档来自技高网...

【技术保护点】
一种基于AR‑PCA的间歇过程故障监测方法，其特征在于,它主要包括下列步骤：步骤一，使用过程正常运行数据作为数据驱动的训练样本，样本集由同一发酵过程相同工艺下所记录的I批次测量数据构成，X＝(X1,X2,...,XI)T，其中Xi表示第i批次数据；每个批次数据包含K个采样时刻，每个采样时刻采集J个过程变量，即其中表示第i批次第k采样时刻采集的数据，其中表示第i批次中第k采样时刻的第j个过程变量的测量值；步骤二，将样本集X进行标准化处理；步骤三，离线建模，分别对标准化处理后的每批次数据建立对应的多变量自回归AR模型，根据建立的AR模型得到每个AR模型的残差，其中第i个AR模型的残差为L为模型阶次，由赤池信息量准则AIC准则确定，其中，i＝1,2,...,I，为第i批次数据在k时刻的模型残差，表示第i批次数据在k时刻的第j个变量的模型残差；步骤四，将I批次的多变量AR模型的残差E＝[E1,E2,…,EI]沿变量方向重排列得到E'((K‑L)I×J)如下式所示，E′=eL,11eL,21···eL,J1eL,12eL,22···eL,J2···eL,1IeL,2I···eL,JI············eK,11eK,21···eK,J1eK,12eK,22···eK,J2···eK,1IeK,2I···eK,JI---(1)]]>E'作为PCA模型的输入，根据主元贡献率>85%确定主元个数R，进而计算出得分矩阵TPCA与残差矩阵EPCA，通过得分矩阵与残差矩阵来计算监控统计量Hotelling‑T2和SPE以及相应的监控限；步骤五，在线监测，具体为：在线获取发酵过程k时刻的过程变量，并计算该时刻对应的AR模型残差公式如下，eknew=Xknew-C^X^k-1:k-L---(2)]]>其中，为I批训练数据AR模型系数矩阵Ci的均值，i＝1,2,…,I;为在线获取发酵过程k时刻的过程变量；为训练样本中所有批次I的k时刻之前的L时刻的所有变量的均值构成的向量；其中，计算公式如下，X^k-m=1I-1Σi=1IiXk-mi---(3)]]>其中，I为批次数，m=1,2,...,L，是训练样本中第i批次第k‑m采样时刻采集的数据；步骤六，将求得的发酵过程k时刻对应的AR模型的残差作为PCA模型的输入，得到发酵过程k时刻的Hotelling‑T2统计量和SPE统计量，其中所述的PCA模型中的载荷矩阵PPCA是利用步骤四中所述的PCA模型得到；判断发酵过程k时刻的Hotelling‑T2和SPE统计量是否超出步骤四得到的相应控制限，如果二者都未超出，则判定当前过程测量数据正常，重复步骤五、六，直到生产过程结束；否则判定当前过程有故障发生。...

【技术特征摘要】

【专利技术属性】
技术研发人员：王普，刘鑫，高学金，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11