[发明专利]基于传递熵的化工过程故障诊断方法

说明书

本发明公开了一种基于传递熵的化工过程故障诊断方法，首先采用相关信息熵建立过程监测模型，然后，利用建立的过程监测模型，判断实时工况状态，最后，针对非正常工况，利用历史故障数据，并引入传递熵，建立故障根本原因‑故障特征变量数据库，并利用所述故障根本原因‑故障特征变量数据库判断故障根本原因。该基于传递熵的化工过程故障诊断方法弥补了主元分析方法处理非线性数据的不足，提高了故障诊断准确率，引入传递熵，可描述故障发生的机理。

技术领域

本发明涉及化工过程故障诊断领域，特别提供了一种基于传递熵的化工过程故障诊断方法。

背景技术

在故障诊断领域，信息熵和传递熵是近年发展起来的方法，信息熵能够衡量任意类型数据，可以有效地避免主元分析法(PCA)的局限性，但是，在化工故障诊断中单独采用信息熵无法辨识出故障根本原因，而传递熵虽能弥补信息熵的不足，但是如果直接采用传递熵处理大数据准确度却较低。

因此，研发一种新的基于传递熵的化工过程故障诊断方法，以提高故障诊断率，并准确描述故障发生机理，成为人们亟待解决的问题。

发明内容

鉴于此，本发明的目的在于提供一种基于传递熵的化工过程故障诊断方法，以至少解决现有故障诊断方法无法辨识故障根本原因、处理大数据准确度较低的问题。

本发明提供的技术方案是：一种基于传递熵的化工过程故障诊断方法，包括如下步骤：

S1：采用相关信息熵建立过程监测模型；

S2：利用S1中建立的过程监测模型，判断实时工况状态；

S3：利用历史故障数据，并引入传递熵，建立故障根本原因-故障特征变量数据库，并利用所述故障根本原因-故障特征变量数据库判断故障根本原因。

优选，S1包括如下步骤：

S11：以化工过程中有监测变量的故障源为研究对象，采集正常工况下的历史监测数据x∈M^m×n并对其进行归一化处理，以消除不同监测变量之间量纲和数值大小差异的影响，其中，m表示采样时刻的个数，n表示每个采样时刻包含的监测变量的个数，且n<m；

S12：根据贝叶斯信息准则从监测变量中选取N个强相关性变量并利用公式(1)计算时序序列的相关系数矩阵R＝(r_jk)_n×n

式中：x_ji表示历史监测数据矩阵M中第j行第i列的数值，r_jk表示相关系数矩阵第j行第k列的数值；表示历史监测数据矩阵M中第j行的均值；表示历史监测数据矩阵M中第k列的均值；

S13：计算每个采样时刻的相关系数矩阵R的特征值λ_n＝(n＝1,2,...,N)，并利用公式(2)计算其相关信息熵，其中，所有采样时刻的相关信息熵的均值记为H_R′

式中：H_R表示相关信息熵；表示相关系数矩阵R的特征值；N表示强相关性变量的个数。

进一步优选，S2包括如下步骤：

S21：采集S1中选取的N个强相关变量的实时数据，并对所述数据进行归一化处理；

S22：采用S1中的方法计算出在线监测数据的时序序列相关系数矩阵R_new、特征值λ_n＝(n＝1,2,...,N)和相关信息熵值H_R；