[发明专利]一种基于递归协整分析和弹性权重巩固的非平稳过程监测方法

说明书

本发明公开了一种基于递归协整分析和弹性权重巩固的非平稳过程监测方法，属于工业监测和故障诊断领域。该方法包括：依次采集工业系统正常工况下的过程数据构成训练集；利用协整分析和主成分分析进行训练，计算初始投影矩阵等参数；构建监测统计量并计算阈值；采集系统实时工况下的过程数据作为测试样本，利用当前训练模型计算该样本的统计量，并与当前阈值比较，判断系统运行状态。若系统正常则仍处于当前工况，更新递归协整分析和递归主成分分析的参数；若系统进入新的工况，利用新工况数据重新建立模型，并用弹性权重巩固来增强以前工况的信息；否则系统可能出现故障。本发明可广泛应用于化工、加工制造、大型火力发电厂等领域。

技术领域

本发明属于工业监测和故障诊断领域，具体涉及一种基于递归协整分析和弹性权重巩固的非平稳过程监测方法。

背景技术

工业系统中，由于对产品质量、环保要求、设备老化、原材料更换等因素，运行过程经常处于非平稳变化过程。研究非平稳系统过程监控，对提高系统的安全性和可靠性有重要意义。例如，在大型火力发电机组的制粉系统中，机组负载需要根据实际情况进行调整。根据电厂现有煤量和煤的成分，频繁更换煤的种类，这就导致了系统处于非平稳变化。对于不同种类的煤，其成分差别大，导致煤粉的最佳温度和经济细度存在差异。此外，对同一种煤而言，原煤混合的并不均匀，即使负载不变，制粉系统的运行参数会发生变化。研究其运行安全性对提高机组安全性和燃烧效率有重大意义。

传统多工况过程监测方法往往针对平稳系统，通过统计分析、神经网络等方法提取信息，进而建立监测指标。在非平稳系统的研究中，动态主成分分析、动态偏最小二乘等方法能够跟踪系统的缓慢变化，典型变量分析通过状态空间模型来提取动态信息，动态潜变量模型能够同时提取动态和静态信息。但是上述方法均不能区别系统的正常动态变化和真实异常。协整分析(cointegration analysis,CA)通过提取具有长期均衡关系信息，实现对非平稳过程的监控，但传统协整分析方法要求协整关系不变。对制粉系统而言，同种煤的成分会发生变化，变量的协整关系也随之变化。此外，原材料发生变化，原有的模型容易造成误报，需要根据当前数据重新建立模型。因此，亟需一种方法能够跟踪协整关系的缓慢变化，还能在煤种更换时实现准确监控。

发明内容

为了解决多工况下的非平稳过程监控问题，本发明提出了一种基于递归协整分析和弹性权重巩固的非平稳过程监测方法。

为了实现上述目的，本发明采用如下技术方案：

一种基于递归协整分析和弹性权重巩固的非平稳过程监测方法，包括如下两个阶段：

阶段一：离线训练，依次采集设备正常运行状况的数据构成训练数据集，采用协整分析和主成分分析进行模型训练，计算投影矩阵，构建监测统计指标并计算阈值；

阶段二：在线监测与模型更新，采集当前时刻的数据作为测试样本，利用当前训练模型，计算该测试样本的统计指标，判断系统运行状态。

优选地，所述阶段一具体步骤为：

1.1：采集设备正常运行状态下的数据作为训练数据，记为X₀，N₀为样本数量，m为变量数目；根据平稳性检验和系统先验知识，将数据分为3块，分别为具有相同变化趋势的非平稳变量X₁，对工况变化敏感的平稳数据X₂和其他变量X₃；

1.2：计算变量X₁和X₂样本的均值和标准差，并进行标准化处理；

1.3：采用协整分析方法计算变量X₁的矩阵B_f和B_e；

1.4：计算B_f的正交补空间其中，I为单位矩阵，构造