[發(fā)明專利]基于相關(guān)分析的階段劃分和故障檢測方法

有效

• 申請?zhí)枺?/td>: 201710683345.5
• 申請日: 2017-08-03
• 公開（公告）號: CN108664009B
• 公開（公告）日: 2021-05-25
• 發(fā)明（設(shè)計）人: 王培良;葉曉豐;楊澤宇
• 申請（專利權(quán)）人: 湖州師范學(xué)院
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種基于相關(guān)分析的階段劃分和故障檢測方法，所述方法利用工業(yè)過程的穩(wěn)定階段和過渡階段的時間片矩陣中信息的變化程度等特點，對整個工業(yè)過程反應(yīng)持續(xù)時間進(jìn)行多個階段的識別。該方法首先將歷史批次數(shù)據(jù)按變量展開方式進(jìn)行排列并標(biāo)準(zhǔn)化。其次，按批次方式進(jìn)行展開，展開的時間片矩陣包含工業(yè)過程持續(xù)的時變特征，根據(jù)評估值的分布特征進(jìn)行時間序階段劃分。當(dāng)階段劃分后，在各時間持續(xù)階段分別建立模型監(jiān)測與質(zhì)量相關(guān)的故障對工業(yè)過程變量進(jìn)行殘差信息子空間提取，監(jiān)測工業(yè)過程與質(zhì)量不相關(guān)的異常。將該方法應(yīng)用到工業(yè)青霉素發(fā)酵工業(yè)過程中，表明了所提方法具有更好的監(jiān)控性能和預(yù)報能力。

技術(shù)領(lǐng)域

本發(fā)明屬于自動化控制技術(shù)領(lǐng)域，具有涉及一種基于相關(guān)分析的階段劃分和故障檢測方法。

背景技術(shù)

工業(yè)過程的性能監(jiān)控一般從歷史生產(chǎn)數(shù)據(jù)出發(fā)，通過統(tǒng)計信息處理的方法建立相應(yīng)的性能監(jiān)控與故障檢測模型，并將該模型用于監(jiān)視產(chǎn)品生產(chǎn)工業(yè)過程，及時發(fā)現(xiàn)并消除工業(yè)過程中產(chǎn)生的異常狀況，使得生產(chǎn)工業(yè)過程能夠高效、安全、穩(wěn)定的運行。傳統(tǒng)的基于解析模型的生產(chǎn)工業(yè)過程監(jiān)控需要準(zhǔn)確的數(shù)學(xué)和生產(chǎn)經(jīng)驗，從而限制了其實際應(yīng)用。多向主元分析(Multi-way Principle Component Analysis，MPCA)和多向偏最小二乘(Multi-way partial Least Squares，MPLS)是工業(yè)過程監(jiān)控中常用的統(tǒng)計工業(yè)過程控制方法(Multiple Statistical Process Control，MSPC)。并在質(zhì)量監(jiān)測的研究中，MacGregor首先提出將多向偏最小二乘方法(MPLS)應(yīng)用到間歇工業(yè)過程的生產(chǎn)中，MPLS將全部歷史工業(yè)過程數(shù)據(jù)作為輸入，提取工業(yè)過程變量和質(zhì)量變量相關(guān)的特征，來建立監(jiān)測模型需要全局的處理數(shù)據(jù)之間存在的相關(guān)性，忽略了局部的反應(yīng)工業(yè)過程對最終質(zhì)量的影響。事實上，工業(yè)生產(chǎn)工業(yè)過程存在著多階段、局部性等固有特征。文獻(xiàn)研究并表明間歇工業(yè)過程的測量變量間的相關(guān)關(guān)系并非隨時刻變化，而是跟工業(yè)過程的操作進(jìn)行和工業(yè)過程機(jī)理的特征緊密相關(guān)。譬如注塑工業(yè)過程按照生產(chǎn)流程可分為三個部分，注射、保壓和冷卻。因此，測量變量在不同的操作狀態(tài)和模式表現(xiàn)出變化的相關(guān)特征，而在同一模態(tài)內(nèi)相關(guān)性較穩(wěn)定。從統(tǒng)計學(xué)角度分析，即測量變量的均值、方差、相關(guān)關(guān)系等表現(xiàn)出階段性質(zhì)。因此更多潛在的局部信息可以通過將數(shù)據(jù)分為更有意義的數(shù)據(jù)塊進(jìn)行分析，多階段方法被廣泛地應(yīng)用于在線和離線的質(zhì)量相關(guān)的故障監(jiān)測。Duchesne等提出了軌跡Mutl-block PLS方法，該方法利用中間工業(yè)過程質(zhì)量信息提取多階段和質(zhì)量變量相關(guān)的特征，但是工業(yè)過程中中間質(zhì)量信息很少，限制了該方法的應(yīng)用。Lu等根據(jù)階段內(nèi)特征相似，階段間差異較大等特點，提取了所有時刻的工業(yè)過程數(shù)據(jù)主成分特征來表示這種變化，并通過k_mean聚類算法進(jìn)行階段劃分，取得了不錯的階段識別效果。Zhao等針對k_mean算法對樣本的階段所屬時刻硬性劃分等缺點，在此基礎(chǔ)上提出了軟劃分和隸屬度方法進(jìn)行階段識別。基于聚類的階段識別方法基本思想是工業(yè)過程關(guān)系發(fā)生變化與多階段的切換有關(guān)，這類方法不需要填充未知和丟失的數(shù)據(jù)便能有效地捕獲動態(tài)工業(yè)過程的特性，但是這類方法仍存在一些不足，例如聚類算法進(jìn)行多階段劃分不能考慮階段的順序時序，容易出現(xiàn)時序交叉等現(xiàn)象。另外，階段劃分算法忽視了過渡階段的階段轉(zhuǎn)移特征，嚴(yán)格地將每個樣本劃分到一個特定的階段，容易導(dǎo)致階段代表性的模型精度降低，而且基于聚類的階段劃分方法常受限于參數(shù)的選擇，例如初始中心，聚類的初始數(shù)目，最小的階段持續(xù)時間長度。

發(fā)明內(nèi)容