[發明專利]對間歇控制系統進行分段故障監視的方法

有效

• 申請號: 201310188293.6
• 申請日: 2013-05-21
• 公開（公告）號: CN103279123A
• 公開（公告）日: 2013-09-04
• 發明（設計）人: 張曉丹;張新民;王國柱
• 申請（專利權）人: 沈陽化工大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 沈陽技聯專利代理有限公司 21205
• 代理人: 張志剛

技術領域

本發明涉及一種故障監視方法，特別是涉及一種對間歇控制系統進行分段故障監視的方法。

背景技術

間歇生產過程是現代工業生產中具有重要意義的生產過程之一。它具有多階段性、動態性和反應復雜等特點，在藥品生產、石油化工、半導體加工以及生物制品等行業得到了廣泛的應用。由于間歇過程操作條件和反應機理的復雜性，很難建立可靠性和準確性高的機理模型，因此，建立一個合理、有效的多元統計監控體系實現對間歇過程的在線監視和故障診斷具有重要的現實意義。

多向主元分析（MPCA）是間歇過程監視的一種方法，但往往人們只建立一個MPCA模型在整個間歇過程反應周期，忽視了間歇生產中的多階段性，易導致較高的誤報率。針對間歇過程的階段特性，傳統的分段方式均屬于硬劃分、硬分類方法，將每個子時段的數據嚴格的劃分到某個類中，具有非此即彼的性質。而間歇過程統計數據的非線性、動態性和不確定性很難達到以上要求，且相鄰子時段是一個漸變過程，過渡過程數據具有中介性。因此需要考慮各個過渡過程數據屬于各個類別的隸屬度問題，進行軟劃分，從而才能更好地實現間歇過程的階段劃分。同時傳統MPCA建模時，一是按批次展開受到需要批次軌跡同步化處理和在線監視時對未來數據軌跡進行預估的限制；二是按變量展開受到標準化時不能去除批次過程中的主要非線性限制。

發明內容

本發明的目的在于提供一種對間歇控制系統進行分段故障監視的方法，該方法應用主元分析技術、CPV(1)、模糊C均值聚類方法和改進MPCA技術對間歇過程故障進行分段監視，使得過程多階段劃分更加準確，減少了監視中的誤報、漏報率，實際應用與可操作性強。

本發明的目的是通過以下技術方案實現的：

對間歇控制系統進行分段故障監視的方法，所述方法包括以下過程：

首先，將采集到的多批次間歇過程數據按變量展開進行標準化，對每一采樣時刻數據矩陣進行主元分析，獲得其對應的CPV(1)，在分段過程中，如果數據間的動態關系一直保持不變，CPV（1）的值將基本保持恒定；其次，模糊C均值聚類是結合模糊集理論和k-均值聚類而提出來的適合進行軟劃分的模糊聚類分析方法；將反映數據動態特性轉變的CPV(1)指標作為模糊C均值聚類的輸入，根據模糊最大隸屬度原則辨識相鄰階段實現間歇過程多階段的軟劃分；再次，分段完成后，在每一個子階段建立基于變量展開的具有時變主元協方差的改進MPCA模型，確定正常情況下的????????????????????????????????????????????????和統計量的故障監視控制限，然后，在線監視時首先判斷其屬于那一階段，計算其對應的的和監視統計量，判斷其是否超出故障監視控制限，如果超出則表明故障發生，所進行分段故障監視結束。

所述的對間歇控制系統進行分段故障監視的方法，其所述CPV(1)為對應的動態特性轉變指標CPV(1)捕獲過程中變化的最大信息，其值的大小，反應數據變量之間相關性信息和動態關系。

所述的對間歇控制系統進行分段故障監視的方法，所述動態特性轉變的指標CPV(1)為,多批次間歇過程數據，按變量展開后的每一采樣時刻的數據矩陣進行主元分析，得到代表數據動態特性轉變的指標CPV(1)。

所述的對間歇控制系統進行分段故障監視的方法，所述數據動態特性轉變的指標CPV(1)對每一采樣時刻進行模糊C均值聚類，依據最大模糊隸屬度原則辨識相鄰階段實現多階段軟劃分。

所述的對間歇控制系統進行分段故障監視的方法，所述模糊C均值聚類對CPV(1)模糊聚類實現多階段的軟劃分，劃分后的每一階段建立具有時變協方差的改進MPCA監視模型。

所述的對間歇控制系統進行分段故障監視的方法，所述多階段的軟劃分依據最大模糊隸屬度原則辨識相鄰階段實現多階段軟劃分，對劃分后的每一子階段建立改進的MPCA監視模型，實現間歇過程多階段監視。

本發明的優點與效果是：

????1.所選擇的的聚類指標CPV(1)更能捕獲到過程變化最大的過程信息，同時更能代表數據間的相關性和動態特性。

2.模糊C均值聚類克服了傳統硬劃分的缺陷，考慮了間歇過程數據屬于各個類別的隸屬度問題，使階段劃分更符合間歇過程實際。

?3.改進MPCA建模結合批次展開消除批次過程中的主要非線性和變量展開不需要估計批次未反應完的數據以及不要求建模時批次軌跡同步化等優點，同時在線監視時比傳統MPCA固定協方差計算的統計量靈敏度更高，更能體現數據間的動態聯系。