[发明专利]一种机理与数据联融合的多工况工业过程监测方法和系统

说明书

本发明公开了一种机理与数据联融合的多工况工业过程监测方法和系统，其方法为：将监测数量满足预设值的工业过程工况设为主工况，否则设为副工况；利用主工况正常时的历史监测数据集建立主工况故障检测模型；将主工况正常时的历史监测数据集和副工况正常时的历史监测数据集，均采用CSL方法映射到公共子空间，并利用公共子空间中的数据建立副工况故障检测模型；对于主工况的在线监测数据，使用主工况故障检测模型对工业过程进行故障检测；对于副工况的在线监测数据，采用CSL方法将其映射到公共子空间，再使用副工况故障检测模型对工业过程进行故障检测。本发明可以实现大型复杂工业过程准确的故障检测与诊断。

技术领域

本发明属于工业过程监测领域，具体涉及一种机理与数据联融合的多工况工业过程监测方法和系统。

背景技术

如今，工业过程普遍朝着复杂化、多智能化的方向发展。面对越来越复杂的工业过程，保证工业过程稳定安全的运行变得越来越重要和更具有挑战性。以锌冶炼焙烧过程为例，一旦该过程出现异常工况如床层沉积，将带来巨大的经济损失和坏境污染，对焙烧过程不恰当的操作甚至可能造成人员安全事故。

过程监控是保证生产过程安全稳定运行的重要手段。目前，许多学者对过程监测进行了广泛的研究。一般来说，过程监控方法可分为三种类型：基于定量模型的方法、基于定性模型的方法和数据驱动的方法。Wu等人分析了熔融镁炉异常工况产生的原因和故障现象，总结了异常工况的规律，实现了基于规则的异常工况识别。黄科科等人假设不同工况下的数据由一种特殊模式和一种公共模式组成，提出了一种结构字典学习模型，并成功地应用于铝电解过程。Wang等人开发了一种结合人工神经网络和专家系统的方法来实现溶解气体分析(DGA)变压器的故障诊断。

上述方法虽然在一定程度上取得了良好的过程监控性能，但没有考虑多工况过程数据量的不平衡特性，且监控对象的机理相对简单。然而，大型复杂工业过程机理往往十分复杂，存在多种工况，且各工况间的数据量往往是不平衡的，同时由于操作人员的实时干预，异常工况一般比较匮乏，无论是基于机理模型还是数据驱动均难以实现准确的过程监测。

发明内容

本发明提供一种用于多工况数据不平衡的工业过程监测方法和设备，充分考虑工业过程中工况数据量不平衡和异常工况数据匮乏的特点，可以实现大型复杂工业过程准确的故障检测。

为实现上述技术目的，本发明采用如下技术方案：

一种机理与数据联融合的多工况工业过程监测方法，包括：

将监测数量满足预设值的工业过程工况设为主工况，否则设为副工况；

利用主工况正常时的历史监测数据集建立主工况故障检测模型；将主工况正常时的历史监测数据集和副工况正常时的历史监测数据集，均采用CSL方法映射到公共子空间，并利用公共子空间中的数据建立副工况故障检测模型；

对于主工况的在线监测数据，使用主工况故障检测模型对工业过程进行故障检测；对于副工况的在线监测数据，采用CSL方法将其映射到公共子空间，再使用副工况故障检测模型对工业过程进行故障检测。

在更优的技术方案中，采用CSL方法将监测数据映射到公共子空间的映射矩阵为W，求解方法为：

(1)获取主工况正常时的历史监测数据集和副工况正常时的历史监测数据集进行高维映射分别得到再对中心化得到n_e和n_h分别为X_e和X_h包括的历史监测数据的数量，n_e＞＞n_h，m为监测数据的维度；

(2)设置求解映射矩阵W的目标函数为：

式中，M为MMD矩阵，H为中心矩阵，K为数据集X＝[X_e,X_h]的核矩阵,为K中心化得到的核矩阵，μ是正则项的系数参数，且有：