[发明专利]基于滑动指数加权CVA复杂工业过程的微小故障检测方法

说明书

本发明基于滑动指数加权CVA复杂工业过程的工业过程微小故障的检测方法，涉及一种工业过程故障检测方法，该方法首先对过程数据应用CVA方法获取规范变量，其次对规范变量使用滑动指数加权方法获取加权变量，最后对加权变量建立统计量并使用核密度估计法计算统计量的控制限，进行故障检测。CVA方法可以有效的识别过程数据的整体特征，并且有助于剔除过程数据中的噪声影响，其次滑动指数加权方法弥补了CVA无法处理变量间自关系性的缺陷，进一步提高了CVA方法的检测性能并拓宽了CVA方法的应用场景。本发明改善了故障检测的性能，提高了故障检测率。

技术领域

本发明涉及一种工业过程故障检测方法，特别是涉及一种基于滑动指数加权CVA复杂工业过程的微小故障检测方法。

背景技术

随着现代工业过程的日益复杂和规模化，企业对过程的可靠性和安全性提出了更高的要求。为保障工业过程的正常运行，基于数据驱动的多变量统计过程监控方法应运而生，并且逐渐成为工业过程监控的研究热点。典型的基于数据驱动的故障检测方法包括主成分分析、核主成分分析、支持向量数据描述、偏最小二乘等，在化工行业得到了广泛的应用并取得了令人满意的效果。但是上述典型的过程监控方法只适用于监控过程中的显著故障，对于幅值小、变化缓慢、容易被系统扰动和噪声掩盖的微小故障检测性能较差。由于设备老化、元器件磨损、催化剂失活等问题，工业过程存在较多的故障缓慢变化过程，其初期表现为微小故障。若微小故障未能及时检测和控制，则容易引发严重故障，造成巨大的生命和财产的损失。因此及时检测并诊断出微小故障时保障系统安全运行并抑制故障恶化的关键，也是目前工业过程监控中亟待解决的一个问题。

发明内容

本发明针对传统CVA方法忽视了过程数据中变量的自相关性导致故障检测率低的问题，提供了一种基于滑动指数加权CVA复杂工业过程的微小故障检测方法，有效地分析变量间的序列相关性，充分提取过程中的动态信息，从而提高了对微小故障的检测性能。

本发明的技术方案如下：

一种基于滑动指数加权CVA复杂工业过程的微小故障检测方法，含有以下步骤：

S1、采集化工过程历史数据库中正常运行条件下的数据作为训练数据，并利用训练数据的均值和标准差进行标准化处理并且得到训练数据集；

S2、使用公式（4）-（7）组装过去hankel矩阵和未来hankel矩阵，并使用公式（8）-（10）计算互协方差矩阵、和协方差矩阵；

S3、对公示（12）中的hankel矩阵H进行奇异值分解，并通过公式（15）-公式（16）计算状态变量和状态变量；

S4、对状态变量、应用滑动指数加权方法，并通过公式（17）-（20）计算加权变量和加权变量；

S5、使用公式（21）-公式（22）计算加权变量、的统计量，并且使用公式（23）-公式（24）确定该统计量的控制限；

S6、采集化工过程故障工况下的实时数据作为测试数据，并且使用训练数据的均值和标准差进行标准化处理得到测试数据；

S7、将测试数据投影到特征空间，并且使用公式（26）-公式（27）计算投影后的状态变量、；

S8、对状态变量、应用滑动指数加权方法，并通过公式（28）-公式（29）计算加权变量和加权变量；

S9、使用公式（30）-公式（31）计算加权变量、的统计量，若该统计量大于相应的控制限，则认为有故障发生，反之则认为过程正常运行。

优选的，步骤S1中，首先利用公式（1）和公式（2）分别计算训练数据的均值和标准差，其次利用公式（3）对训练数据进行标准化处理，最终可得到标准化之后的训练数据；公式（1）-（3）的表达式为：

（1）

（2）

（3）

优选的，步骤S2中，组装过去和未来hankel矩阵、以及计算协方差矩阵、和互协方差矩阵的具体步骤为：

通过公式（4）-（5）计算过去和未来的观测变量，公式（4）-（5）的表达式为：