[发明专利]一种工业过程微小故障的分离方法

说明书

本发明公开了一种工业过程微小故障的分离方法，具体涉及工业过程监控和故障诊断技术领域。该方法包括：采集工业过程正常工况下的一段传感器测量数据作为训练数据集，并建立该训练数据集的多元统计过程监控模型；采集工业过程实时工况下的传感器测量数据作为测试数据，测试数据中的测量变量与上述训练数据集的测量变量相对应；给定合适的平滑参数，基于上述实时获得的测试数据，在每个采样时刻计算该时刻的指数加权滑动平均样本值；计算每个故障方向上的指数平滑重构贡献值；将具有最大指数平滑重构贡献值的故障方向确定为实际发生的故障，以实现故障分离。与现有技术相比，本发明无需工业过程的数学模型，并可以应用到多种统计过程监控模型中。

技术领域

本发明涉及工业过程监控和故障诊断技术领域，具体涉及一种工业过程微小故障的分离方法。

背景技术

现代工业过程规模庞大、结构复杂，一旦过程出现异常便可能造成巨大的经济损失，甚至危及人身安全。过程监控和故障诊断技术可以有效地提高系统可靠性、设备可维护性以及降低事故风险，已成为当前过程控制领域的研究热点之一。此外，较为严重的故障通常由微小故障演化而来，历史上发生的许多重大灾难性事故也是由系统中微小异常未能被及时发现和解决造成。因此，微小故障的危害不容忽视，对微小故障进行及时的检测和分离，并采取有效的防护措施对保障工业过程安全、高效运行具有重要意义。

近年来，基于数据的过程监控和故障诊断技术得到了快速发展并取得了广泛应用。通常，这类技术无需过程精确的解析模型，只是利用过程在正常工况下的大量测量数据建立相应的数据模型，并将该模型应用于在线诊断。作为基于数据故障诊断领域的重要分支，多元统计过程监控技术诸如主元分析(principal component analysis,PCA)和偏最小二乘(partial least squares,PLS)在过去的二十多年时间里取得了长足发展，并成功应用于诸如石油化工、半导体制造等工业过程。故障分离是过程监控的重要目标，主要用于检测到故障之后确定故障的种类、位置，为部件维修或替换提供有价值的参考信息。

在统计过程监控领域，重构贡献图(reconstruction-based contribution,RBC)方法被广泛应用于故障分离。然而，传统的RBC方法在处理微小故障分离问题时，容易导致错误的分离结果。

发明内容

本发明的目的是针对现有的传统的方法在处理微小故障分离问题时容易导致错误的分离结果的不足，提出了一种工业过程微小故障的分离方法。

本发明具体采用如下技术方案：

一种工业过程微小故障的分离方法，包括：

步骤一：采集工业过程正常工况下的一段传感器测量数据作为训练数据集，并建立该训练数据集的多元统计过程监控模型；

步骤二：采集工业过程实时工况下的传感器测量数据作为测试数据，测试数据中的测量变量与步骤一中训练数据集的测量变量相对应；

步骤三：给定合适的平滑参数，基于步骤二中实时获得的测试数据，在每个采样时刻计算该时刻的指数加权滑动平均样本值；

步骤四：计算每个故障方向上的指数平滑重构贡献值；

步骤五：将具有最大指数平滑重构贡献值的故障方向确定为实际发生的故障，以实现故障分离。

优选地，所述步骤三中，

根据式(1)计算每个时刻的指数加权滑动平均样本值：

z(k)＝λx(k)+(1-λ)z(k-1) (1)

其中，z(k)即为当前时刻k的指数加权滑动平均样本值，x(k)表示步骤二中实时获得的当前时刻k的测试数据，0＜λ≤1表示加权因子即平滑参数，在每个时刻，均按照式(1)求解z(k)，并规定z(0)＝0。

优选地，所述步骤四中，