[发明专利]一种基于重构技术的动态过程故障预测方法

说明书

本发明提出一种基于重构技术的动态过程故障预测方法，包括：建立训练TE过程的数据模型；针对测试集数据，监控TE过程是否发生故障；对发生故障部分重构并估计故障幅值；基于自回归模型进行故障预测；使用得到的故障幅值来训练自回归模型，得到一步训练模型，进一步迭代预测多步故障。复杂工业过程动态运行采集到高维强动态数据，难以采用传统主元分析方法提取数据间动态关系，本发明提供的基于DiPCA重构的预测方法能更好的解决动态工业工程的故障预测问题。检测到故障之后，采用重构方法使故障降到控制限以下对幅值进行故障预测，更好的利用数据的动态关系，提高了模型预测准确性。

技术领域

本发明属于故障诊断与预测领域，具体涉及一种基于重构技术的动态过程故障预测方法。

背景技术

随着科学技术的发展，工业过程系统现代化的能力和水平越来越高，然而大部分工业过程的运行环境都较为恶劣，一旦发生故障都会对生产过程产生较大影响，不仅影响生产效率切回造成一定损失，极端情况下还会对人员生命造成威胁。因此我们不仅希望在系统发生故障后对系统进行正确的故障诊断，还希望可以通过系统过去和现在的运行状态预测未来可能发生故障的时刻或未来的某个时刻可能产生某种特定的故障。

传统的PCA(主成分分析)无法充分利用数据关系中的自相关关系，然而工业数据中的数据大部分是自相关和互相关的，所以将传统的PCA用于动态数据可能无法提取数据中的动态关系。

由于工业过程中的变量如液位、温度、压力等随着时间的变化而发生变化，且某一时刻的变量与前几时刻是高度相关的，因此工业过程大部分都是动态的，因此本发明采用DiPCA(动态内在主成分分析)建立模型，通过重构对发生故障的时刻进行故障估计从而进行故障预测。选用验证的模型为TE(田纳西-伊斯曼)过程中的故障13，由于故障13是缓慢偏移故障，且是故障相关的，因此适合故障预测。

发明内容

针对上述现有技术的不足，本发明提供一种基于DiPCA重构的动态过程故障预测，可以在系统发生故障后重构故障估计出故障幅值预测未来可能发生故障的时刻。本发明所采取以下技术方案来实现的：一种基于DiPCA重构的动态过程故障预测方法，具体步骤如下：

步骤1：建立训练TE过程的数据模型；利用DiPCA算法对TE过程的历史正常数据的训练集进行数据建模，得到DiPCA算法模型，所述TE过程代表田纳西伊斯曼过程，所述DiPCA代表动态内模主元分析方法；

通过训练得出模型的动态负载矩阵P，对于时刻j的训练样本x_j，提取出j时刻的动态潜变量t_j＝x_jP，并根据TE过程反应动力学常数变化关系得出前s个时刻的动态潜变量线性表达为动态潜变量t_j的估计值，经训练得出线性系数为β，在动态潜变量t_j被提取后，对x_j的静态残差部分进行PCA建模，所述PCA为静态主元分析法，P_r为e_jPCA建模所得的负载矩阵，t_r,j为e_j的潜变量，e_r,j为e_j经PCA建模后的静态残差部分，模型结构公式如下：

其中，β_i为β的第i列向量，i＝1，2，…，s。

步骤2：针对测试集数据，监控TE过程是否发生故障；利用DiPCA算法模型，对TE过程监控静态过程是否超限；所述静态部分即提取动态潜变量后的静态残差部分；

对静态残差部分e_k进行PCA建模：

e_k＝P_rt_r,k+e_r,k

采用综合指标对e_k的状态进行监控：