[发明专利]一种基于多采样率因子分析模型的工业过程故障检测方法

说明书

本发明公开了一种基于多采样率因子分析模型的工业过程故障检测方法，该方法首先收集正常工作状态下不同采样率的数据，建立多采样率因子分析分析模型；利用模型的潜隐变量和预测误差构建了两个检测统计量T²和SPE及其对应的统计限和SPE_lim；然后对在线工业过程进行检测，获得测试样本，然后可利用已有的模型结构估计测试样本的潜隐变量及预测误差，并计算出相应的统计量，并得到最终的故障检测结果。该方法在实现多采样率信息处理的同时，既可以完整利用数据信息，又能充分考虑到数据噪声矩阵方差差异性，使降维后的少数潜隐变量实现对原有变量更好的解释与描述，从而在故障检测精度上实现提升。

技术领域

本发明涉及化工过程检测技术领域，具体是涉及一种基于多采样率因子分析模型的工业过程故障检测方法。

背景技术

在现代工业过程中，随着集散控制系统(DCS)在工业领域的广泛应用，工业现场能够实现对流量、温度和液位等过程变量的高采样率采集和存储，但是与产品质量或过程处理结果有关的质量变量却由于受到化验成本等各方面的限制而较难实现高采样率获取，从而造成信息获取的多采样率特性，对于合理有效利用这些数据信息是一种挑战。

同时，随着基于多元统计分析的过程检测(MSPM)技术的不断进步，海量数据变量实现降维，重构及可视化，并在化工、制药和治污等领域得到广泛应用。其中，基于主成分分析(PCA)的过程检测技术通过对原有变量的取舍，能够实现对数据的降维，但无法实现完整数据信息的利用。基于偏最小二乘估计(PLS)的过程检测技术利用质量变量来引导过程变量样本空间的分解，所得到的投影空间只反映过程变量中与质量变量相关的变化，同样无法实现对海量数据信息的完整解释。而基于概率主成分分析(PPCA)的过程检测技术在模型构建时虽然考虑到了噪声的影响，但在噪声方差差异性的描述和处理上不够详细，影响了故障检测的精度。因此，需要提出一种既可以完整利用数据信息，又能充分考虑到数据噪声矩阵方差差异性的多采样率过程故障检测技术。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于多采样率因子分析模型的工业过程故障检测方法。

本发明的基于多采样率因子分析模型的工业过程故障检测方法，该方法针对工业过程的故障检测问题，首先利用集散控制系统收集正常工作状态下不同采样率的数据，建立多采样率因子分析分析模型。该模型结构由期望最大化算法估计得到。在此基础上，利用模型的潜隐变量和预测误差构建了两个检测统计量T²和SPE及其对应的统计限和SPE_lim。对在线工业过程进行检测，获得测试样本，然后可利用已有的模型结构估计测试样本的潜隐变量及预测误差，并计算出相应的统计量，并得到最终的故障检测结果。

具体讲，一种基于多采样率因子分析模型的工业过程故障检测方法，包括以下步骤：

(1)采集工业过程中正常运行的不同采样率的数据，并组成数据建模用的训练样本集；

(2)对训练样本集进行预处理，预处理后的训练样本集与隐变量间存在线性相关关系；

(3)利用预处理后的训练样本集，利用期望最大化算法构建多采样率因子分析模型；

(4)根据建立的多采样率因子分析模型估计训练样本集的潜隐变量的期望值，潜隐变量的方差和模型预测误差，构建相应的T²和SPE统计量检测统计限；

(5)在线收集新的工业过程中与训练样本集过程变量对应的不同采样率样本数据，得到测试样本集，并对测试样本集进行预处理；

(6)采用得到多采样率因子分析模型对测试样本集进行检测，计算测试样本集的和SPE_test统计量，并与步骤(4)得到的检测统计限对比，输出检测结果。

作为优选，所述工业过程为造纸废水处理过程。