[发明专利]基于Xgboost回归模型的CSTR故障定位方法

说明书

本发明公开了一种基于Xgboost回归模型的CSTR故障定位方法。本发明一种基于Xgboost回归的CSTR故障定位方法，该方法包括以下步骤：1)收集CSTR中传感器产生的正常数据，以及未知的离线数据。2)建立步骤1中采集到的正常数据的监控模型，针对不同场合的需求可以自由选择不同的监控模型。3)通过步骤2建立好监控模型，并将步骤1中采集到的离线未知数据带入监控模型中，提取样本统计量来进行故障检测，并筛选出故障数据。本发明的有益效果：1)Xgboost回归模型的变量重要性度量测量的是变量对于输出预测精度的影响，每个变量的度量值的计算都是相互独立的，与现有技术相比，并不包含其他变量作用的成分，因而消除了拖尾效应的影响。

技术领域

本发明涉及CSTR领域，具体涉及一种基于Xgboost回归模型的CSTR故障定位方法。

背景技术

连续搅拌釜式反应器(CSTR)在化工生产中是一种非常重要的反应设备，应用非常广泛。在化纤、塑料、合成橡胶三大合成材料生产中，CSTR占据合成生产反应器的数量超过90％，此外，在制药、农药、燃料等领域中，也有大量使用。鉴于CSTR在实际生产过程中的广泛应用，保障其运行的稳定和安全是非常具有研究价值的。

随着现代化工生产的不断规模化和复杂化，当生产中发生的故障不能准确辨识并及时恢复时，往往会造成巨大损失。随着工业过程中大量反映过程机理的数据不断生成，通过数据驱动的多元统计监控模型对工业过程进行监控变得越来越受欢迎。

传统技术存在以下技术问题：

目前基于多元统计分析的故障检测方面，已有大量的技术手段被应用在实际工业过程中，但故障定位作为故障检测后需要完成的一个重要环节，却依然是一个有待进一步解决的技术难点。目前常见的基于多元统计分析的故障定位方法主要包括贡献图法、重构法和重构贡献法(RBC)，但这些方法易收拖尾效应影响，从而可能在实际应用中出现误诊。与此同时，在不同特性的系统中，如线性、非线性、非高斯等，传统的故障定位方法也各有不同，它们对于故障定位的方法就有很大区别，很少有相关技术文档提出统一的方法来实现故障根源的定位。

发明内容

本发明要解决的技术问题是提供一种基于Xgboost回归模型的CSTR故障定位方法，首先针对CSTR中采集的正常数据建立多元统计监控模型；通过监控模型筛选出离线采集数据中的故障数据段，并将故障数据段作为输入，相对应的统计量作为输出建立Xgboost回归模型，通过变量重要性度量作为变量对于统计量的贡献率，其中数值越大的变量越有可能是故障变量，辨识其中最大的变量为故障变量。其优点是不同于传统的重构贡献法以及偏微分方法等故障定位方法，本发明使用的Xgboost回归模型可同时用于非线性和线性过程的故障定位，计算量小，并且拖尾效应小，在CSTR的微小故障与随机故障定位方面性能更好。

为了解决上述技术问题，本发明提供了一种基于Xgboost回归模型的CSTR故障定位方法，包括：

1)收集CSTR中传感器产生的正常数据，以及未知的离线数据；

2)建立步骤1中采集到的正常数据的监控模型，针对不同场合的需求可以自由选择不同的监控模型；

3)通过步骤2建立好监控模型，并将步骤1中采集到的离线未知数据带入监控模型中，提取样本统计量来进行故障检测，并筛选出故障数据；

4)收集步骤3中的故障数据作为训练样本的输入和相对应的统计量作为训练样本的输出；

5)建立步骤4中训练样本的Xgboost回归模型，得到每个变量的变量重要性度量，其中度量值越大的变量越有可能是故障变量，辨识其中值最大的为故障变量。

在其中一个实施例中，所述步骤2中，步骤1中采集到的正常数据的监控模型为PCA监控模型；具体包括以下步骤：