一种基于马尔科夫链与谱聚类的间歇生产过程故障检测方法技术

本发明专利技术涉及一种基于马尔科夫链谱聚类的生产过程故障检测方法，主要包括离线模型建立和在线检测，离线模型的建立首先需对训练样本数据进行子阶段划分，然后通过主成分分析建立检测模型，确定T2和SPE统计量的控制限；在线检测主要是采集新样本数据，计算其检测指标数值，通过判断检测指标值是否超过控制限来决定是否发出警报；本申请对间歇过程批次进行阶段划分，有效的避免了数据断续问题以及数据不等长问题，有效的降低离群点数据以及噪声对聚类及故障检测的影响。及故障检测的影响。及故障检测的影响。

【技术实现步骤摘要】
一种基于马尔科夫链与谱聚类的间歇生产过程故障检测方法


[0001]本专利技术涉及的是一种故障诊断技术，具体是一种应用于间歇生产过程故障诊断的基于马尔科夫链与谱聚类的检测方法。

技术介绍

[0002]过程工业也称之为流程工业，指的是加工制造流程性物质产品的现代制造业。过程工业产品的加工过程以处理连续或者间歇物料流和能量流为主。过程工业涉及到化学反应、分离和混合等。工业生产中常见的石化、原油冶炼、制药、化工、冶金、造纸等都属于过程工业生产的范畴。
[0003]得益于控制科学以及工业技术的发展，过程工业的生产水平越来越高，同时也使得过程的生产工艺、生产流程以及生产环境变得更加复杂，这种复杂生产过程存在的安全隐患也随之增加。因此，为了最大限度的避免生产过程故障的发生，生产过程的安全性和可靠性迫切需要提高。
[0004]一种行之有效的方法就是对生产过程中可能出现的异常情况和故障进行有效的检测、诊断和消除。一方面，由于过程工业本身的特殊性，其生产过程往往处于高温高压或者低温真空等极端环境中；另一方面，生产过程的很多环节相互关联、互相影响，所以，即便是在某一生产环节发生细小的故障都有可能导致整个生产环节中断，甚至会发生各种不可预期的危险。此外，虽然一些小的故障不会对整个生产过程造成影响，但是这些故障的积累与传播将会对产品的质量和生产成本等方面造成负面影响。这虽然不会导致生产过程的中断，但有可能导致产品质量不达标或生产周期的延长，从而导致企业竞争力下降，损害企业的经济效益。因此，对生产过程进行有效的监控，确保生产过程的安全运行，保证产品的质量，对企业以及国家的经济发展起着至关重要的作用。
[0005]现代工业中各种智能化的仪器仪表以及计算机技术得到了广泛应用，大量的过程数据被采集并保存了下来。但现场技术人员很难直接从海量数据中得到有关生产过程运行状况的信息，也就难以发现数据的异常。所以经常会出现“数据丰富，信息缺失”的现象。因此，如何对这些生产过程的数据进行有效的利用，挖掘出数据背后所蕴含的生产过程信息，提高对生产过程的故障检测能力，成为控制领域研究的热门课题之一。在这一背景下，基于多元统计的过程故障检测方法应运而生。基于多元统计的过程故障检测方法将统计学中的数据分析方法与过程控制进行有效的结合，通过对生产过程数据进行分析，建立相应的故障检测模型，可以有效的检测出生产过程是否发生故障。这种类型的检测不需要过程的具体数学模型，只需通过特定方法对过程数据进行分析并建立检测模型，便可以实现过程的故障检测，从而有助于现场操作人员快速发现故障，并进行相应的应急处理，可以有效的防止事故的发生。
[0006]随着市场对产品需求的提高，过程系统日益复杂，生产过程的数据也变得越加庞大，传统的多元统计方法应用于过程故障检测时面临着很多新的问题与挑战。为了适应更加复杂的工业系统、更好的对生产过程进行故障检测、最大化的提高企业的经济效益、降低
企业风险，就需要加强工业过程故障检测技术的研究，提出更好的故障检测策略，使其能够及时准确的检测出故障。
[0007]故障检测的方法可以分为基于解析模型的方法、基于定性知识的方法和基于历史数据的方法。1) 基于解析模型的方法首先构建系统的数学模型，然后根据数学模型计算出系统预期输出与实际输出之间差异的残差信号，最后通过对残差信号的分析，得到过程的运行状况并分析是否有故障发生。该类型的故障检测方法得到了广泛深入的研究，取得了丰富的研究成果。基于解析模型的方法主要建立在对过程内部运行机制的理解之上，因而具备较强的故障检测能力。但是，这种方法的检测效果在很大程度上依赖于数学模型的精度。模型精度越高，检测效果越好。但是，在实际生产中，由于生产环境的变化、噪声干扰的影响以及系统的复杂度越来越高等问题，使得精确数学模型的建立变得十分困难。 2)基于定性知识的方法主要建立在对化学和物理过程的理解之上，该方法主要包括有向图法、故障树法、专家系统、模糊系统等方法。由于这种方法不需要建立精确的系统数学模型，而且，随着人工智能以及计算机技术的飞速发展，这类方法得到了广泛的研究与应用。但是，这种方法最主要的缺点是难以获得足够的专家知识，知识库中专家知识水平的高低直接影响到故障检测的效果。而且，当系统中的规则较多时，检测速度将会大大降低。3)基于历史数据的故障检测方法不需要特定的数学模型，主要通过特定方法对生产过程历史数据进行分析处理，提取过程的特征信息，作为系统的先验知识。根据先验知识和采集到的样本数据来确定是否有故障发生。这种方法主要包括基于信号处理的方法和基于多元统计的方法。当生产过程发生故障时，相关信号的幅值、相位以及频率等会发生异常变化，通过对异常变化的分析，可以检测出是否有故障发生，这便是基于信号处理的方法。但是，当生产过程中存在较强的干扰和噪声时，该方法的效果会受到影响。本专利技术属于基于历史数据的故障检测方法。

技术实现思路

[0008]本专利技术针对生产过程中通常会出现数据断续导致故障检测效果不佳的问题，提出一种基于马尔科夫链谱聚类的生产过程故障检测方法，对间歇过程批次进行阶段划分，有效的避免了数据断续问题以及数据不等长问题，有效的降低离群点数据以及噪声对聚类及故障检测的影响。
[0009]本专利技术是通过一下技术方案实现的，主要包括离线模型建立和在线检测。离线模型的建立首先需对训练样本数据进行子阶段划分，然后通过主成分分析建立检测模型，确定T2和SPE统计量的控制限；在线检测主要是采集新样本数据，计算其检测指标数值，通过判断检测指标值是否超过控制限来决定是否发出警报。
[0010]所述的离线模型建立包括如下步骤：
[0011]步骤一，采集正常生产过程数据作为训练样本，组成数据集X(I
×
J
×
K)，其中I为总批次个数，J为过程监控的变量个数，K为批次运行过程中采集到的数据个数，每个批次会所有不同；
[0012]步骤二，对每个批次数据X
i
(I
×
J),i＝1,2,
…
,I，进行标准化处理，然后通过马尔科夫链谱聚类方法对每个批次的数据分别进行聚类处理，得到每个批次的子阶段；
[0013]步骤三，将所有批次中相同的子阶段进行整合，并按变量方向进行展开，整合之后
的新数据代表了每个子阶段的训练样本数据；
[0014]步骤四，对于每个子阶段的训练样本数据，通过主成分分析算法确定每个子阶段的检测模型，来确定每个子阶段的T2和SPE控制限，该控制限会被用于新样本的故障检测。
[0015]上述步骤二中的马尔科夫链谱聚类方法，包含如下步骤：
[0016]步骤一，构造通过下式数据相似度矩阵A，并计算转移概率矩阵P＝D
‑1A：
[0017][0018]其中，x
m
与x
n
表示两个不同的数据样本，m与n表示时间，参数ρ为样本之间的时间距离指标；
[0019]步骤二，对于一个普通Markov链来说，其转移矩阵P仅本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于马尔科夫链谱聚类的生产过程故障检测方法，其特征在于，包括离线模型建立和在线检测；其中，离线模型建立包括如下步骤：步骤一，采集正常生产过程数据作为训练样本，组成数据集X(I
×
J
×
K)，其中I为总批次个数，J为过程监控的变量个数，K为批次运行过程中采集到的数据个数，每个批次会所有不同；步骤二，对每个批次数据X
i
(I
×
J),i＝1,2,
…
,I，进行标准化处理，然后通过马尔科夫链谱聚类方法对每个批次的数据分别进行聚类处理，得到每个批次的子阶段；步骤三，将所有批次中相同的子阶段进行整合，并按变量方向进行展开，整合之后的新数据代表了每个子阶段的训练样本数据；步骤四，对于每个子阶段的训练样本数据，通过主成分分析算法确定每个子阶段的检测模型，来确定每个子阶段的T2和SPE控制限，该控制限会被用于新样本的故障检测；在线检测包括如下步骤：步骤一，采集新的样本数据x
new
(J
×
1)，对其进行标准化处理，作为待检测样本数据；步骤二，通过下式确定当前待检测样本属于哪一个子阶段：其中，c为子阶段的标识，β是T2和SPE之间的权重值，一般选为0.5；T
2new,c
与SPE
new,c
分别为新样本x
new
在子阶段模型下计算得到的T2和SPE统计量值；T
2c
(α)与SPE
c
(α)是子阶段c的控制限；φ
new,c
的值越小，表示新样本与子阶段c之间越相似；步骤三，通过待检测样本所属的子阶段检测模型，来计算待检测样本的T2和SPE统计量值；步骤四，判断T2和SPE统计量值是否超过控制限；如果超过，则表示检测出现故障，发出警报；如果未超过，则表示检测运行正常。2.根据权利要求1所述的一种基于马尔科夫链谱聚类的生产过程故障检...

【专利技术属性】
技术研发人员：王祥丰，张成，赵海涛，
申请(专利权)人：苏州智元昇动智能科技有限公司，
类型：发明
国别省市：