[发明专利]一种工业过程稳态工况识别与分类方法

说明书

本发明公开了一种工业过程稳态工况识别与分类方法，该方法首先选择多个工况相关变量建立主元分析模型；然后基于当前工况模型判断过程是否开始进行工况切换，若开始进行工况切换，则对实时数据的主元分析统计量进行稳态判断，从而得出新的稳态工况开始时间。同时，将新稳态工况的数据依次输入到历史稳态工况模型集合中并进行分类，若无匹配模型，则建立新的稳态工况模型。本发明综合多个变量信息建模判断工况是否稳定，并能对新工况进行分类，自动建模，实现历史工况模型集合的在线更新与扩充。该方法提高了稳态工况识别与分类的准确性和实时性，为工业生产过程的运行优化、设备性能评价以及故障检测等研究提供了良好基础。

技术领域

本发明涉及工业过程稳态工况识别与分类，具体为一种基于数据驱动的面向连续工业过程的稳态工况识别与分类方法。

背景技术

工业自动化和与信息化的融合进程中，企业积累了大量的生产过程运行数据，充分利用海量数据信息，采用恰当的方法进行生产过程运行状态监测，对优化生产、提升效益具有重要意义。例如，实时优化(RTO)是提升企业经济效益的一个重要手段，而实施RTO的一个基本前提是流程当前必须处于稳态工况。因此，如何准确识别工业过程稳态工况是RTO必须解决的一个关键问题。鉴于工业生产过程运行机理复杂，基于机理分析的工况识别正逐渐被基于数据驱动的方法替代。

在基于数据驱动的工业过程稳态工况识别中，通常采用基于统计理论或基于趋势提取的稳态检测方法。基于统计理论的稳态检测方法如组合统计检验法和置信度法对测量数据划分区间，依据统计原理进行检验，但均假设测量值只含期望为0的正态分布随机误差，这一条件过于理想，实际应用中一旦出现大的干扰极易导致误判。基于趋势提取的稳态检测方法如多项式滤波法抗噪能力强，但是只能进行单变量的稳态检测，且滤波窗口的大小难以确定。此外，上述方法只能判定稳态工况，无法对工况进行分类，而在实施工业过程的RTO中，如果能够进行分类，将有利于快速确定优化方向和大小，对提升RTO性能具有重要价值。

发明内容

针对上述问题，本发明公开一种工业过程稳态工况识别与分类方法，针对工业过程，通过选择工况相关变量，建立多个主元分析模型，识别稳态工况，并进行工况分类。本方法具有以下步骤：

(1)分析工艺过程和传感器分布情况，确定与工况相关的变量集V；

(2)选择一段包含n组数据的正常平稳工况下的历史数据作为训练集；

(3)将训练集进行主元分析，建立模型M₁并算出T²统计量上限T_α²和SPE统计量上限δ_α²，并将M₁设置为当前模型M_p，加入工况模型集合Q；

(4)将待测数据输入当前模型M_p中，基于统计量T²和统计量SPE的越界情况判断当前工况是否符合当前模型M_p：若符合则判定当前工况平稳，返回步骤(4)；否则说明当前工况发生变化，转步骤(5)；

(5)从统计量越界的时刻开始，分别对T²和SPE进行数据平稳性检测，得到数据开始平稳的时刻t_s，即从t_s时刻开始，过程进入新的稳态工况；

(6)从t_s开始，取n组数据，将它们依次输入集合Q的工况模型中，若有模型符合，说明当前工况已出现过，将当前模型M_p切换为符合当前工况的模型，转步骤(4)；否则，将它们作为训练集，转步骤(3)。

本方法中，t_s的计算方法为：针对T²和SPE分别进行数据平稳性检测，算出统计量开始平稳时间t_SPE和t_T2，t_s＝max{t_SPE,t_T2}。