[发明专利]一种连续化工过程故障检测方法

说明书

技术领域

本发明涉及智能信息处理领域，尤其是涉及一种连续化工过程故障检测方法。

背景技术

随着控制科学的发展和工业技术的进步，工业系统的生产能力和现代化水平日益提高，生产工艺、生产设备和生产过程也随之越来越复杂化。同时，这些复杂的系统发生故障的潜在可能性也相应的提高，并且故障的严重性也会随着系统的复杂程度而显著增加，一旦发生了故障，那么将造成很大的人员和财产损失。所以如何实时监测生产过程并且将故障提前检测出来就显得尤为重要。只有进行有效的过程监控，才能确保生产安全和提高产品的质量。

过程监控的四个步骤是故障检测、故障识别、故障诊断和过程恢复。通过模式识别的方法，侧重于将故障检测出来。故障检测，通俗的讲，就是确定故障是否发生了。及时进行检测可以对将会出现的问题提出有价值的报警，通过采取相应的措施，避免严重的过程颠覆。

传统的故障检测方法主要有基于模型的检测方法、基于数据驱动的方法和基于先验知识的方法。其中基于数据驱动的方法是利用统计学的思维，对生产过程中产生的数据进行分析，先在正常数据中做测试，再应用于对生产过程数据的监控。在数据驱动的方法中，PCA检测方法是一种经典的检测方法，广泛应用于生产实践中。但是，PCA检测方法也有其局限性，PCA方法有两个理想化的结果：一是主元能够体现出数据的最大变化，而且信息损失是最小的；二是主元间是独立的，即一个主元和其他主元不相关。上述结果的取得是因为PCA的检测方法假设过程数据是线性高斯的，在此情况下，根据方差贡献率选取主元可以取得较好的结果。但在大型的工业生产过程中，系统中往往会存在各种各样的过程变量，不可能完全满足线性高斯假设，另外传统的PCA检测方法往往计算量很大，影响了计算效率和过程监控的实效性。

发明内容

本发明的目的在于针对现有方法中存在的不足，提出一种连续化工过程故障检测方法，通过引入稀疏主元的思想，将传统的降维问题转化为回归最优化问题，以此来提高检测的精度和检测的效率。将该方法用于连续化工过程故障检测，能够提高检测的精度。

本发明的目的可以通过以下技术方案来实现：

一种连续化工过程故障检测方法，该方法包括以下步骤：

1)从田纳西-伊斯曼工业过程模型中获得正常数据和故障数据，将正常数据作为训练数据，将故障数据作为测试数据，并对获得的测试数据进行标准化处理；

2)对训练数据进行小波变换，压缩数据；

3)引入带有1-范数和2-范数的回归约束函数对训练数据进行回归计算，利用稀疏化主元分析法计算得到稀疏化的负荷向量；

4)计算经过小波变化后的训练数据的T²统计量和SPE统计量；

5)利用概率密度估计的方法求得T²和SPE统计量的阈值；

6)根据步骤3)、4)对进行小波变化后的测试数据计算相应的T²和SPE统计量，判断测试数据是否存在故障：

当使用T²统计量检测时，若求得的T²统计量的值大于它所对应的阈值，则所对应的一组数据存在故障；若求得的T²统计量的值小于它所对应的阈值，则所对应的一组数据正常；

当使用SPE统计量检测时，若求得的SPE统计量的值大于它所对应的阈值，则所对应的一组数据存在故障；若求得的SPE统计量的值小于它所对应的阈值，则所对应的一组数据正常。

步骤1)中，所述的标准化处理采用Z-score标准化方法，计算公式为：

X*=X-μσ]]>

式中，X＝{x₁，x₂，…，x_n}为数据矩阵，X^*表示标准化处理后的数据矩阵，μ为训练数据的均值，σ为训练数据的标准差，μ和σ计算公式为：