[發(fā)明專利]基于多采樣概率核主成分模型的化工過程故障檢測方法

有效

• 申請?zhí)枺?/td>: 201810328882.2
• 申請日: 2018-04-13
• 公開（公告）號: CN108549908B
• 公開（公告）日: 2021-07-02
• 發(fā)明（設計）人: 周樂;謝佳敏;介婧;侯北平
• 申請（專利權）人: 浙江科技學院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 杭州之江專利事務所(普通合伙) 33216
• 代理人: 黃燕

本發(fā)明公開了一種基于多采樣概率核主成分模型的化工過程故障檢測方法，首先通過收集訓練樣本集構建多采樣概率核主成分分析模型，得到訓練樣本的T²和SPE統(tǒng)計量檢測控制限；然后在線收集待檢測化工過程實際運行過程中的工藝參數，得到測試樣本，通過計算測試樣本的T²和SPE統(tǒng)計量，最后與得到檢測控制限對比，得出化工過程的在線檢測結果。本發(fā)明利用基于多采樣概率核主成分分析模型的核學習方法，建立了一個有效的非線性故障檢測模型，并克服了化工生產過程采樣速率不同所造成的問題，提高了該過程的在線檢測效率和性能，從而使得化工生產過程更加可靠，產品質量監(jiān)測更加穩(wěn)定。

技術領域

本發(fā)明涉及一種故障檢測方法，具體是涉及一種基于多采樣概率核主成分模型的化工過程故障檢測方法。

背景技術

在現代流程工業(yè)中，隨著集散控制系統(tǒng)(DCS)的應用和計算機技術的進步，工業(yè)現場采集和存儲了大量的在線和離線測量數據，基于多元統(tǒng)計分析的過程監(jiān)測(MSPM)技術得到了快速發(fā)展，它具有基于數據、降維、易于可視化與易于實際應用等優(yōu)點，在化工、制藥、半導體制造等多個工業(yè)領域得到了廣泛應用。其中，主成分分析(PCA)和偏最小二乘估計(PLS)及其擴展方法是MSPM技術的代表性模型?；赑CA的過程監(jiān)測技術通過檢測過程變量的波動以有效監(jiān)測生產過程是否發(fā)送了異常工況。然而，該類方法無法判別生產過程的波動是否影響了最終的產品質量。傳統(tǒng)的PLS及PLVR模型均假設過程與質量變量一一對應，以提取過程與質量變量的相關關系，并對生產過程進行相應的故障檢測。

然而對于一些化工過程，特別是合成某些化工原料(比如合成氨生產過程)的過程中，有些質量數據的采樣頻率很低，諸如組分、濃度、分子量等質量變量難以測量，需要通過實驗室化驗，一般以小時或天為測量單位。在此期間，諸如溫度、壓力、流量等過程變量則以分鐘甚至是秒為測量單位被DCS大量采集并記錄。因此，需要提出一種針對化工生產過程多采樣率樣本的數據建模與故障檢測方法。同時，由于化工生產過程具有強烈的耦合性和非線性，因此設計的故障檢測方法需要考慮到此類復雜數據特性。

發(fā)明內容

本發(fā)明的目的在于針對現有技術的不足，提供一種基于多采樣概率核主成分分析模型的化工生產過程故障檢測方法。

本發(fā)明同時提供一種基于多采樣概率核主成分分析模型的合成氨生產過程故障檢測方法，以合成氨生產過程不同采樣率的過程變量、質量變量為建模樣本，提取了這些樣本間的非線性相關關系，并在此模型的基礎上建立了故障檢測方法，以實現合成氨生產過程的過程監(jiān)控。

本發(fā)明的目的是通過以下技術方案來實現的：

一種基于多采樣概率核主成分模型的化工過程故障檢測方法，包括如下步驟：

(1)收集待檢測化工過程在正常運行時的至少三種不同采樣率的過程變量，作為樣本數據組成建模用的訓練樣本集；

(2)對訓練樣本集進行預處理，將預處理后的數據集投影到高維特征空間，得到訓練樣本集對應的高維映射值數據集；

(3)求取高維映射值數據集的核函數，結合當前模型參數的初始值，利用期望最大化(EM)算法，估計得到模型參數的更新值；

(4)當所有模型參數的更新值滿足收斂要求時，得到模型參數的最終值，進而得到多采樣概率核主成分分析模型，進入步驟(5)；否則，將模型參數的更新值作為模型參數的初始值，返回步驟(3)；

(5)根據建立的多采樣概率核主成分分析模型，得到對應的T²和SPE統(tǒng)計量檢測控制限；