[發明專利]一種基于樹結構稀疏的過程監測和故障診斷方法

在審

• 申請號: 202010978981.2
• 申請日: 2020-09-17
• 公開（公告）號: CN112051839A
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 曾九孫;陳薇;丁克勤;蔡晉輝;姚燕
• 申請（專利權）人: 中國計量大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 林超

本發明公開了一種基于樹結構稀疏的過程監測和故障診斷方法。采集訓練數據和測試數據，主成分分析提取訓練數據的主成分和過程監測統計量控制限；計算測試數據的過程監測統計量，對比判斷是否故障；監測到故障則建立處理故障診斷問題的故障隔離模型，訓練數據轉換為樹結構，建立樹結構中每個節點的權重，根據故障隔離模型再建立基于樹結構稀疏的故障診斷模型；求解基于樹結構稀疏的故障診斷模型，獲得最優故障幅值，利用最優故障幅值進行故障的過程變量的定位與分離。本發明能方便地擴展到并行或分布式版本，能夠滿足工業過程中對大型數據集求解速度和精度的要求，為工業生產控制行為提供有效支持。

技術領域

本發明屬于工業控制系統中的過程監控及故障診斷領域的一種監測方法，具體涉及一種基于樹結構稀疏的過程監測和故障診斷方法。

背景技術

隨著傳感和儀器技術的飛速發展，現代工業工廠收集和分析的數據量呈指數級增長。豐富的數據信息極大地方便了過程監視的任務，但是，由于諸如高維，多尺度，數據質量不一致等問題，也帶來了巨大的挑戰。為了處理大規模過程中的大數據集，研究了不同的分布式過程監控方法，如分布式主成分分析(PCA)和分布式典型相關分析(CCA)。分布式過程監控方法通過將過程分解為一組子過程進行故障檢測，之后利用貢獻圖等傳統方法進行故障隔離和定位。經證實，它們在故障檢測方面是有效的。然而，在故障隔離和定位方面，分布式方法與傳統方法存在同樣的弱點，如“拖尾效應”以及局部和初始故障的稀釋效應。對于大工業過程尤其如此，變量和數據樣本的增多會加劇“拖尾效應”和稀釋效應，影響故障隔離的準確性。

因此，為了保證工業生產過程的可靠性和安全性，提高故障的隔離和診斷性能，基于過程結構的方法受到了極大的關注。并且，通過將諸如相關性和因果關系之類的結構信息集成到模型中，基于過程結構的方法能夠產生與實際生產條件更相符的故障隔離結果。最近，人們發現在工業生產過程的故障結構中普遍觀察到稀疏性，因為大多數過程故障是局部的，只影響過程變量的一個子集。這一發現啟發了稀疏方法在故障隔離中的應用，包括基于收縮PCA的方法，LASSO(最小絕對收縮和選擇算子)和稀疏規范變量分析。通過在故障隔離目標函數中引入稀疏正則化條件如l₁(向量或矩陣的所有元素的絕對值之和)和l_2,1(矩陣每行的歐幾里得范數的和)，可以更好地揭示隱藏的故障結構，使稀疏方法不易產生“拖尾效應”。然而，經過研究證明，對于高度相關的過程變量，類Lasso問題會導致隔離精度下降。為了提高隔離精度，一種自然的擴展是將稀疏性與過程結構相結合，從而實現結構稀疏性。

當監測出大工業生產過程中有故障發生，基于樹結構稀疏的過程監測和故障診斷方法能充分利用過程中的樹結構信息，提高結構的稀疏性，以準確估算出故障幅值，分離出故障的過程變量，對于診斷大工業生產過程的故障有十分重要的實用價值。

發明內容

為了解決背景技術中存在的技術問題，本發明提供了一種基于樹結構稀疏的過程監測和故障診斷方法，能充分利用過程中的樹結構信息，提高結構的稀疏性，以估算出故障幅值，進一步實現故障變量的分離。該方法適用于具有大量變量的大型工業系統的故障診斷問題，對推動流程工業知識自動化和工業大數據技術的發展有著重要意義。

本發明能方便地擴展到并行或分布式版本，能夠滿足工業過程中對大型數據集求解速度和精度的要求。本發明為工業生產控制行為的評價和故障變量的診斷提供了可靠有效的技術支持。

本發明采用的技術方案是：

步驟1，通過傳感器采集正常工況下流程工業生產過程中的過程變量數據作為訓練數據，對訓練數據利用主成分分析提取訓練數據中的主成分和過程監測統計量控制限；通過傳感器采集待測工況下流程工業生產過程中的數據作為測試數據，利用訓練數據提取的主成分計算測試數據的過程監測統計量；將測試數據的過程監測統計量與訓練數據的過程監測統計量控制限作對比，當測試數據的過程監測統計量超過訓練數據的過程監測統計量控制限，則認為監測到故障，否則認為未監測到故障；