基于动态非平稳投影结构的故障检测方法技术

本发明专利技术公开了一种基于动态非平稳投影结构的故障检测方法。该方法由在化工正常运行过程中采集的测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，利用期望最大化算法和前向后向算法构建并训练动态非平稳投影结构；通过动态非平稳投影结构求解特征统计量，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测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动态非平稳投影结构求解待测化工运行过程中的特征统计量，然后根据这些特征统计量判断待测化工运行过程中是否存在故障。本发明专利技术为工业过程故障检测提供了一个完整的监控框架，能有效提取测量变量的动态关系，更适用于监测具有动态特性的非平稳工业过程。特性的非平稳工业过程。特性的非平稳工业过程。

【技术实现步骤摘要】
基于动态非平稳投影结构的故障检测方法


[0001]本专利技术涉及工业过程监测领域的故障检测方法，尤其涉及基于动态非平稳投影结构的故障检测方法。

技术介绍

[0002]为了确保工业过程安全平稳运行，提高生产效率，有必要及早的检出过程运行过程中存在的故障。大数据时代的来临，促使数据驱动的过程监测技术得到了普遍应用。其中，多元统计变量分析方法作为数据驱动方法的一个重要分支，为增强过程可靠性和产品质量提供了有力的保障。在大多数多元分析方法中，数据的平稳性是一个必要的假设。换而言之，过程的非平稳特性没有被考虑。然而，非平稳特性不仅普遍存在，并且是主导工业运行过程的重要因素，例如高炉炼铁过程和青霉素发酵过程。工业过程的非平稳特性主要表现为生产计划的调整、操作阶段的切换、设备磨损、工艺参数的漂移。从非平稳特性主导下的工业过程中采集到的测量变量不可避免的存在非平稳趋势，导致传统多元分析方法的监控结果不可靠。
[0003]为了解决非平稳特性在过程监控领域中带来的问题，学者们提出了一系列方法。首先是自适应建模方法，它的主要思想是通过不断更新模型参数来适应过程工况的切换，优点是建模简单有效，但问题在于频繁的更新可能导致监测模型适应了一些早期故障趋势，从而出现漏报。然后是协整分析方法，通过提取非平稳变量间的协整关系，得到平稳的协整变量，接着再对协整变量实施监控。本质上，基于协整分析的方法是对非平稳变量之间的协整关系进行监控，因此要求所有变量具有相同的积分阶次。当变量之间不存在协整关系时，也就无法实施协整分析。最后，基于子空间分解的方法试图将稳态子空间从原始数据空间中分离出来并进行研究，例如平稳子空间分析。
[0004]尽管上述非平稳方法能够应用于非平稳工业过程监测。然而，现有的大多数方法没有考虑和提取非平稳过程数据的动态特性。对于实际的工业过程，反馈控制普遍存在，并使得测量变量具有自相关性。为了对过程数据的动态性进行建模，动态平稳子空间分析方法并提出，并成功应用于非平稳过程监测。然而，由于不可测量的干扰，传感器的误差等因素，测量变量往往具有不确定性。为了解决这一问题，一个可行的方法是在生成式框架下建立动态非平稳概率模型。

技术实现思路

[0005]为了克服现有技术的缺陷，本专利技术所提供了一种基于动态非平稳投影结构的故障检测方法。通过采用特定的模型结构对工业过程的不确定性和动态性进行建模，同时提取工业过程的平稳特征、非平稳特征，然后利用所提取的特征开发残差统计量、平稳特征统计量、非平稳特征统计量等三个统计量，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。
[0006]为实现本专利技术的目的，本专利技术采用的技术方案是：
[0007]一种基于动态非平稳投影结构的故障检测方法，该方法包括以下步骤：
[0008]步骤1：由在无故障的化工运行过程中采集的与故障存在相关性的测量变量X组成训练样本集；
[0009]步骤2：对步骤1中训练样本集内所有训练样本的测量变量X进行归一化处理，获得归一化后的训练样本集X
*
；
[0010]步骤3：基于归一化后的训练样本集X
*
，构建动态非平稳投影结构，并对所述投影结构进行训练；
[0011]步骤4：结合归一化后的训练样本集通过求解所述投影结构的多个特征统计量，进而确定投影结构的多个特征统计量各自的控制限；
[0012]步骤5：在线收集待测化工运行过程中的待测测量变量x(c)并进行归一化处理，获得归一化后的待测变量集；
[0013]步骤6：结合归一化后的待测变量集利用动态非平稳投影结构确定待测化工运行过程中的各特征统计量，然后根据待测化工运行过程中的各特征统计量与动态非平稳投影结构的多个特征统计量各自的控制限之间的大小关系判断待测化工运行过程中是否存在故障。
[0014]作为优选，所述训练样本集X
*
表示为：X
*
＝[x
*
(1)，x
*
(2)，x
*
(t)...x
*
(N)]，t∈[1,N]，其中，x
*
(t)表示归一化处理后的第t个训练样本的测量变量，N表示训练样本集中训练样本的个数；每个样本对应于一个时刻。
[0015]作为优选，所述动态非平稳投影结构的构建方法具体如下：
[0016][0017]其中，B∈R
m
×
p
表示一个线性叠加矩阵，B
s
∈R
m
×
a
由B的前a列组成，B
n
∈R
m
×
(p
‑
a)
由B的后(p
‑
a)列组成，s
s
(t)∈R
a
×1表示第t个训练样本的平稳特征，s
n
(t)∈R
(p
‑
a)
×1表示第t个训练样本的非平稳特征，且表示第t个训练样本的全特征矩阵，其中，R表示实数集合，m表示测量变量的维数，p为第t个训练样本的全特征s(t)的维数，a为第t个训练样本的平稳特征s
s
(t)的维数；e(t)表示归一化处理后的第t个训练样本的噪声。
[0018]作为优选，对所述投影结构进行训练的具体方法如下：首先将训练样本集输入所述投影结构，通过前向后向算法并结合当前的模型参数计算隐马尔可夫链的后验隐状态和后验联合隐状态，其中A表示状态转移矩阵，B表示发射矩阵，π
i
表示初始时刻的隐状态为i的概率，μ
s
表示训练样本的平稳特征的均值，Σ
s
表示训练样本的平稳特征的协方差，表示隐状态为i时训练样本的非平稳特征的均值，表示隐状态为i时训练样本的非平稳特征的协方差，σ2表示测量变量的噪声强度；接着计算训练样本的局部全特征的一阶矩、局部全特征的二阶矩；然后结合后验隐状态、后验隐状态转移变量、局部全特征的一阶矩、局部全特征的二阶矩利用似然函数反复迭代计算，直至似然函数收敛，对当前的模型参数进行更新获得动态非平稳投影结构的最优参数集完成对动态非平稳投影结构的训练。
[0019]作为优选，所述最优参数集中的8个参数与模型参数Θ中的8个参数一一对应，具体通过以下公式确定：
[0020][0021][0022][0023][0024][0025][0026][0027][0028]其中，γ
i
(t)表示t时刻的后验隐状态分布，ξ
ij
(t)表示t时刻的后验联合隐状态分布，x
*
(t)表示t时刻的样本即第t个样本，<s
i
(t)>和分别表示第t个训练样本的局部全特征s
i
(t)的一阶矩和二阶矩，<
·
>表示求期望的操作，s
i
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态非平稳投影结构的故障检测方法，其特征在于：方法包括以下步骤：步骤1：由在无故障的化工运行过程中采集的与故障存在相关性的测量变量组成训练样本集；步骤2：对步骤1中训练样本集内所有训练样本的测量变量进行归一化处理，获得归一化后的训练样本集；步骤3：基于归一化后的训练样本集，构建动态非平稳投影结构，并对所述投影结构进行训练；步骤4：结合归一化后的训练样本集通过求解所述投影结构的多个特征统计量，进而确定投影结构的多个特征统计量各自的控制限；步骤5：在线收集待测化工运行过程中的待测测量变量并进行归一化处理，获得归一化后的待测变量集；步骤6：结合归一化后的待测变量集利用动态非平稳投影结构确定待测化工运行过程中的各特征统计量，然后根据待测化工运行过程中的各特征统计量与动态非平稳投影结构的多个特征统计量各自的控制限之间的大小关系判断待测化工运行过程中是否存在故障。2.根据权利要求1所述的基于动态非平稳投影结构的故障检测方法，其特征在于：所述训练样本集X
*
表示为：X
*
＝[x
*
(1)，x
*
(2)，x
*
(t)...x
*
(N)]，t∈[1,N]，其中，x
*
(t)表示归一化处理后的第t个训练样本的测量变量，N表示训练样本集中训练样本的个数；每个样本对应于一个时刻。3.根据权利要求1所述的基于动态非平稳投影结构的故障检测方法，其特征在于：所述动态非平稳投影结构的构建方法具体如下：其中，B∈R
m
×
p
表示一个线性叠加矩阵，B
s
∈R
m
×
a
由B的前a列组成，B
n
∈R
m
×
(p
‑
a)
由B的后(p
‑
a)列组成，s
s
(t)∈R
a
×1表示第t个训练样本的平稳特征，s
n
(t)∈R
(p
‑
a)
×1表示第t个训练样本的非平稳特征，且表示第t个训练样本的全特征矩阵，其中，R表示实数集合，m表示测量变量的维数，p为第t个训练样本的全特征s(t)的维数，a为第t个训练样本的平稳特征s
s
(t)的维数；e(t)表示归一化处理后的第t个训练样本的噪声。4.根据权利要求3所述的基于动态非平稳投影结构的故障检测方法，其特征在于，对所述投影结构进行训练的具体方法如下：首先将训练样本集输入所述投影结构，通过前向后向算法并结合当前的模型参数计算隐马尔可夫链的后验隐状态和后验联合隐状态，其中A表示状态转移矩阵，B表示发射矩阵，π
i
表示初始时刻的隐状态为i的概率，μ
s
表示训练样本的平稳特征的均值，Σ
s
表示训练样本的平稳特征的协方差，表示隐状态为i时训练样本的非平稳特征的均值，表示隐状态为i时训练样本的非平稳特征的协方差，σ2表示测量变量的噪声强度；接着计算训练样本的局部全特征的一阶矩、局部全特征的二阶矩；然后结合后验隐状态、后验隐状态转移变量、局部全特征的一阶矩、局部全特征的二阶矩利用似然函数反复迭代计算，直至似然函数收敛，对当前的模型参数进行
更新获得动态非平稳投影结构的最优参数集完成对动态非平稳投影结构的训练。5.根据权利要求4所述的基于动态非平稳投影结构的故障检测方法，其特征在于：所述最优参数集中的8个参数与模型参数Θ中的8个参数一一对应，具体通过以下公式确定：最优参数集中的8个参数与模型参数Θ中的8个参数一一对应，具体通过以下公式确定：最优参数集中的8个参数与模型参数Θ中的8个参数一一对应，具体通过以下公式确定：最优参数集中的8个参数与模型参数Θ中的8个参数一一对应，具体通过以下公式确定：最优参数集中的8个参数与模型参数Θ中的8个参数一一对应，具体通过以下公式确定：最优参数集中的8个参数与模型参数Θ中的8个参数一一对应，具体通过以下公式...

【专利技术属性】
技术研发人员：何雨辰，陈广，钱丽娟，王琪冰，赵洪霞，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：