[發(fā)明專利]一種基于重構(gòu)技術(shù)的動態(tài)過程故障預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201910070760.2
• 申請日: 2019-01-25
• 公開（公告）號: CN109799808A
• 公開（公告）日: 2019-05-24
• 發(fā)明（設(shè)計）人: 劉強(qiáng);卓潔;柴天佑
• 申請（專利權(quán)）人: 東北大學(xué)
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 沈陽東大知識產(chǎn)權(quán)代理有限公司 21109
• 代理人: 劉曉嵐

本發(fā)明提出一種基于重構(gòu)技術(shù)的動態(tài)過程故障預(yù)測方法，包括：建立訓(xùn)練TE過程的數(shù)據(jù)模型；針對測試集數(shù)據(jù)，監(jiān)控TE過程是否發(fā)生故障；對發(fā)生故障部分重構(gòu)并估計故障幅值；基于自回歸模型進(jìn)行故障預(yù)測；使用得到的故障幅值來訓(xùn)練自回歸模型，得到一步訓(xùn)練模型，進(jìn)一步迭代預(yù)測多步故障。復(fù)雜工業(yè)過程動態(tài)運(yùn)行采集到高維強(qiáng)動態(tài)數(shù)據(jù)，難以采用傳統(tǒng)主元分析方法提取數(shù)據(jù)間動態(tài)關(guān)系，本發(fā)明提供的基于DiPCA重構(gòu)的預(yù)測方法能更好的解決動態(tài)工業(yè)工程的故障預(yù)測問題。檢測到故障之后，采用重構(gòu)方法使故障降到控制限以下對幅值進(jìn)行故障預(yù)測，更好的利用數(shù)據(jù)的動態(tài)關(guān)系，提高了模型預(yù)測準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明屬于故障診斷與預(yù)測領(lǐng)域，具體涉及一種基于重構(gòu)技術(shù)的動態(tài)過程故障預(yù)測方法。

背景技術(shù)

隨著科學(xué)技術(shù)的發(fā)展，工業(yè)過程系統(tǒng)現(xiàn)代化的能力和水平越來越高，然而大部分工業(yè)過程的運(yùn)行環(huán)境都較為惡劣，一旦發(fā)生故障都會對生產(chǎn)過程產(chǎn)生較大影響，不僅影響生產(chǎn)效率切回造成一定損失，極端情況下還會對人員生命造成威脅。因此我們不僅希望在系統(tǒng)發(fā)生故障后對系統(tǒng)進(jìn)行正確的故障診斷，還希望可以通過系統(tǒng)過去和現(xiàn)在的運(yùn)行狀態(tài)預(yù)測未來可能發(fā)生故障的時刻或未來的某個時刻可能產(chǎn)生某種特定的故障。

傳統(tǒng)的PCA(主成分分析)無法充分利用數(shù)據(jù)關(guān)系中的自相關(guān)關(guān)系，然而工業(yè)數(shù)據(jù)中的數(shù)據(jù)大部分是自相關(guān)和互相關(guān)的，所以將傳統(tǒng)的PCA用于動態(tài)數(shù)據(jù)可能無法提取數(shù)據(jù)中的動態(tài)關(guān)系。

由于工業(yè)過程中的變量如液位、溫度、壓力等隨著時間的變化而發(fā)生變化，且某一時刻的變量與前幾時刻是高度相關(guān)的，因此工業(yè)過程大部分都是動態(tài)的，因此本發(fā)明采用DiPCA(動態(tài)內(nèi)在主成分分析)建立模型，通過重構(gòu)對發(fā)生故障的時刻進(jìn)行故障估計從而進(jìn)行故障預(yù)測。選用驗(yàn)證的模型為TE(田納西-伊斯曼)過程中的故障13，由于故障13是緩慢偏移故障，且是故障相關(guān)的，因此適合故障預(yù)測。

發(fā)明內(nèi)容

針對上述現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于DiPCA重構(gòu)的動態(tài)過程故障預(yù)測，可以在系統(tǒng)發(fā)生故障后重構(gòu)故障估計出故障幅值預(yù)測未來可能發(fā)生故障的時刻。本發(fā)明所采取以下技術(shù)方案來實(shí)現(xiàn)的：一種基于DiPCA重構(gòu)的動態(tài)過程故障預(yù)測方法，具體步驟如下：

步驟1：建立訓(xùn)練TE過程的數(shù)據(jù)模型；利用DiPCA算法對TE過程的歷史正常數(shù)據(jù)的訓(xùn)練集進(jìn)行數(shù)據(jù)建模，得到DiPCA算法模型，所述TE過程代表田納西伊斯曼過程，所述DiPCA代表動態(tài)內(nèi)模主元分析方法；

通過訓(xùn)練得出模型的動態(tài)負(fù)載矩陣P，對于時刻j的訓(xùn)練樣本x_j，提取出j時刻的動態(tài)潛變量t_j＝x_jP，并根據(jù)TE過程反應(yīng)動力學(xué)常數(shù)變化關(guān)系得出前s個時刻的動態(tài)潛變量線性表達(dá)為動態(tài)潛變量t_j的估計值，經(jīng)訓(xùn)練得出線性系數(shù)為β，在動態(tài)潛變量t_j被提取后，對x_j的靜態(tài)殘差部分進(jìn)行PCA建模，所述PCA為靜態(tài)主元分析法，P_r為e_jPCA建模所得的負(fù)載矩陣，t_r,j為e_j的潛變量，e_r,j為e_j經(jīng)PCA建模后的靜態(tài)殘差部分，模型結(jié)構(gòu)公式如下：

其中，β_i為β的第i列向量，i＝1，2，…，s。

步驟2：針對測試集數(shù)據(jù)，監(jiān)控TE過程是否發(fā)生故障；利用DiPCA算法模型，對TE過程監(jiān)控靜態(tài)過程是否超限；所述靜態(tài)部分即提取動態(tài)潛變量后的靜態(tài)殘差部分；

對靜態(tài)殘差部分e_k進(jìn)行PCA建模：

e_k＝P_rt_r,k+e_r,k

采用綜合指標(biāo)對e_k的狀態(tài)進(jìn)行監(jiān)控：