CN102736546A - 一种流程工业复杂机电***的状态监测装置及方法 - Google Patents

Abstract

本发明涉及一种流程工业复杂机电***状态监测装置及方法，该装置包括人机交互模块、数据采集模块、数据预处理模块、数据分析模块和故障案例库。采用本发明的装置和方法，能够监测***是否有故障或异常状态发生，对流程工业***的跳车事故或其他安全事故做出提前预警。同时，利用双参数优化的KPCA方法，克服了传统KPCA方法凭借经验公式选取参数的缺陷，提高了状态监测能力。再者，充分利用***历史生产过程中建立的故障案例数据库，使得***故障的监测更加及时和准确。

Description

一种流程工业复杂机电***的状态监测装置及方法

技术领域

本发明属于机电***监测技术领域，涉及一种状态监测装置及方法，尤其是一种流程工业复杂机电***的状态监测装置及方法。

背景技术

在流程工业中，由于工业过程规模不断扩大、复杂性日益增加，生产***的安全性和可靠性要求也日益提高。生产***长期安全稳定高效的运行，避免恶性安全事故的发生已成为现代工业的一个重要任务。为此，在***运行过程中，需要及时检测到故障或异常状态的发生，并对故障类型进行判断和故障源定位，消除不利影响因素。传统的状态监测方法可以分为三类：基于解析的方法、基于知识的方法和基于数据驱动的方法。基于解析的方法是建立在严格的数学模型基础上的，如卡尔曼滤波器、参数估计、等价空间等方法；基于知识的方法主要是依据工艺过程知识建立模型，如故障树（FTA）、决策树（DT）等；基于数据的方法主要是以采集的过程数据为基础，通过各种数据处理与分析方法挖掘出数据中隐含的***状态信息，进而指导生产过程，如多元统计方法、聚类分析、频谱分析等。由于流程工业中的生产***日趋复杂，获取严格的数学模型和详细的***知识比较困难，因此，基于解析的和基于知识的方法受到限制；并且，工业***通常都对设备运行状态数据进行采集和记录，这些状态监测数据恰好蕴含了***运行工况和***异常状态演化规律等本质信息，所以基于数据驱动的分析方法在流程工业中的状态监测和故障诊断等方面得到了广泛的应用。

从科学研究的角度看，以化工生产为代表的流程工业生产***是一种由诸多大型动力机械装备、化工反应装置和自动化控制***通过能量网、流体网、信息网、控制网耦合而成的分布式复杂机电***。在实际状态监测过程中，这样的复杂机电***面临3个问题：（1）监测变量数量庞大，变量之间具有相关性和强耦合性，人工方式难以同时监测所有变量。（2）监测数据呈现缓变、海量性、非线性和非典型性等多特征并存的特点，缺乏有效的手段挖掘数据中蕴含的设备状态特征信息。（3）现代流程工业生产***处于一种多介质耦合的网络环境下，目前还缺乏在***层面有效进行状态监测的装置***和方法。

以下对本发明中涉及的KPCA理论、小波降噪等概念做以下简单介绍和定义：

核主成分分析(kernel principal component analysis)，简称KPCA,是基于数据驱动的故障检测的一种常用方法。核主成分分析的基本思想是首先通过一个非线性映射函数Ф将输入空间的数据矩阵X映射到一个高维特征空间F，然后对高维空间中的映射数据做主元分析，提取数据在高维空间的线性特征，也就是数据在低维空间的非线性特征。这一非线性映射是通过引入核函数，计算输入空间中数据的内积而实现的。KPCA通过构造基于过程主元特征信号子空间信息的过程统计量T²和残差信息子空间信息的统计量SPE，确定其控制限，进而实现状态监测。

传统的KPCA方法在实际应用中存在以下不足：（1）KPCA核参数和主元个数的选取非常主观化，目前对核参数的选取没有统一的准则，大多采取经验公式的方法。KPCA中主元个数的选取一般采用简单常用的主元累积贡献率法（Cumulative percent variance,CPV），但是贡献率取多少最合适并没有一个统一的标准，而且KPCA中采用主元累积贡献率求主元个数时，首先会受到核参数选取的影响；（2）整个监测过程没有利用已知的故障案例数据，而是根据给定的参数建立一个KPCA模型来检测所有种类的故障。但是一个固定的***模型不可能对所有故障都有较好的检测效果，只能对其中某一种，或某一类故障非常敏感。本发明将在改进的双参数优化的KPCA模型的基础上，提出一套装置及方法克服以上问题。

小波降噪:在实际工业过程中采集的数据往往受到噪声的污染和干扰，如白噪声和电磁干扰等，其中有用信号通常表现为低频信号或是一些比较平稳的信号，而噪声信号通常表现为高频信号。对实际采集的数据进行小波分解时，噪声部分主要包含在高频小波系数中，因而，可以应用门限阈值等形式对小波系数进行处理，然后对信号进行重构即可达到降噪、抗干扰的目的，进而提高数据质量，提高故障检出能力和准确性。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种流程工业复杂机电***的状态监测装置及方法，其针对流程工业复杂机电***监测数据的多变量、海量、非线性等特点，从***层面实现生产过程中的状态监测，能够提高状态监测能力，及时发现故障和异常状态的发生。

本发明的目的是通过以下技术方案来解决的：

这种流程工业复杂机电***的状态监测装置，包括：

人机交互模块：用于实现用户和状态监测***的交互，包括***状态监测信息的输入和输出，调用数据采集模块、数据预处理模块和数据分析模块；

数据采集模块：用于对***历史状态检测数据和DCS控制***运行过程中产生的实时数据进行提取；

数据预处理模块：用于去除监测变量数据的高斯白噪声，以及对采集的数据进行标准化处理，去除量纲的影响，以便后续的分析；

数据分析模块：用于对监测***的建模，并将实时监测数据与所建模型对比，检测***异常状态；

故障案例库：用于存储、管理被监测***的历史故障信息，包括故障时间、故障原因、以及故障模式；

所述人机交互模块分别与数据采集模块、数据预处理模块和数据分析模块相连接，作为信息传递的载体；同时，数据采集模块、数据预处理模块和数据分析模块分别和故障案例库相连，从故障案例库中提取信息，完成建模和分析的功能。

上述数据分析模块中的功能包括：双参数优化的KPCA模型的分析方法；结合***案例库的数据信息，建立监测***的KPCA模型集；实时监测数据与建立的KPCA模型集对比，检测***异常状态；对整个流程工业***的运行情况做出判断，提供针对性地安全预警信息。

本发明还提出一种基于上述装置的流程工业复杂机电***的状态监测方法，包括以下步骤：

1）数据采集：从故障案例库中提取被监测对象的正常工况历史数据并采集监测对象的实时监测数据；其中历史数据用于建立***模型，实时数据用于对***状态的监测；

2）数据预处理：首先采用小波去噪的方法对提取的正常工况历史数据和采集的监测对象的实时监测数据进行降噪处理；然后对降噪后的数据进行标准化处理，消除各监测变量量纲不一致的影响；

3）建立***模型：采用双参数优化的核主元分析方法，根据正常工况历史数据建立KPCA模型，并结合已知故障案例数据对KPCA模型中的核参数和主元个数进行优化，得到KPCA模型集，用于检测***是否处于异常状态；

4）异常状态监测：计算采集的实时监测数据在所建立模型下的监测统计量，并与模型的监测统计量上限值作比较，如果超出了统计量上限值，则能够判断***在统计意义上出现了异常状态；

5）将分析结果及有效预警信息通过人机交互模块显示出来。

进一步，以上步骤3）中具体包括以下步骤：

a）建立一个双参数目标优化问题，求使得统计量T²统计量检出率和SPE统计量检出率最大时的核参数σ和主元个数p，用下式表达为：

$\max \frac{1}{2}(F_t(\mathrm{\σ},p)+F_s(\mathrm{\σ},p))$

$\mathrm{st}:\left\{\begin{array}{c}\mathrm{\&sigma;}>0\\ n\&le;p<m\end{array}\right.$

其中：

σ——核参数；

p——主元个数；

n——取85%累积贡献率时的主元个数；

m——输入空间的维度，即变量个数；

F_t(σ,p)——在给定的核参数和主元个数条件下的T²统计量检出率；

F_s(σ,p)——在给定的核参数和主元个数条件下的SPE统计量检出率；

b）获取正常工况下的数据作为训练样本并标准化，用初始核参数和主元个数建立KPCA模型；初始核参数σ=10m，m为输入空间维数，也就是变量个数；初始主元个数按照累积贡献率达到85%的方法选取；

c）由初始主元个数求得检验水平α＝99%下的T²统计量和SPE统计量上限值；

d）获取故障案例数据，并对每一变量用训练数据对应向量的标准差和均值标准化；

e）求取该故障案例数据在初始参数下的主元向量，得到T²统计量和SPE统计量；

f）比较统计量值和统计量上限值，分别计算T²统计量和SPE统计量超出上限值的样本所占的百分比，得到平均检出率；

g）改变初始参数，并按上述步骤计算新参数下统计量的平均检出率，与上一个平均检出率比较，保留平均检出率更高的核参数和主元个数；

h）重复上述步骤，直到平均检出率满足故障检测要求的某一检出率，或得到一个收敛解；此时的核参数和主元个数即是对于该故障的最优KPCA模型参数。

本发明具有以下有益效果：

采用本发明的一种流程工业复杂机电***状态监测装置及方法能够监测***是否有故障或异常状态发生，能够对流程工业***的跳车事故或其他安全事故做出提前预警。同时，利用双参数优化的KPCA方法，提高了传统KPCA监测方法的故障检测能力。再者，由于充分利用流程工业过程***中建立的故障案例数据库，使得***故障的监测更加及时和准确。

附图说明

图1为本发明所述装置的结构示意图；

图2为本发明的工作流程图；

图3为双参数优化的KPCA方法求解流程；

图4为本发明实施例子***结构图；

图5为本发明对***的状态监测图。

具体实施方式

参见图1，本发明的流程工业复杂机电***的状态监测装置，包括：

人机交互模块：用于实现用户和状态监测***的交互，包括***状态监测信息的输入和输出，调用数据采集模块、数据预处理模块和数据分析模块。能够修改、更新***故障案例库，管理历史/实时监测数据以及调用数据分析模块进行状态监测。

数据采集模块：用于对***历史状态监测数据和***运行过程中DCS控制***产生的实时监测数据进行提取。

数据预处理模块：用于去除监测变量数据的高斯白噪声，以及对采集的数据进行标准化处理，去除量纲的影响，以便后续的分析。

数据分析模块：此模块是本发明装置的核心部分。结合***案例库的数据信息，在对监测***的KPCA建模的基础上，将实时监测数据与所建KPCA模型集进行对比，快速有效地检测***异常状态，并对整个流程工业***的运行情况做出判断，提供有效地安全预警信息。

故障案例库：用于存储、管理被监测***的历史故障信息，包括故障时间、故障原因、以及故障模式等相关信息。

所述人机交互模块分别与数据采集模块、数据预处理模块和数据分析模块相连接，作为信息传递的载体；同时，数据采集模块、数据预处理模块和数据分析模块分别和故障案例库相连，从故障案例库中提取信息，完成建模和分析的功能。

所述数据分析模块中的功能包括：双参数优化的KPCA模型的分析方法；结合***案例库的数据信息，建立监测***的KPCA模型集；实时监测数据与建立的KPCA模型集对比，检测***异常状态；对整个流程工业***的运行情况做出判断，提供针对性地安全预警信息。

本发明可以采用计算机存储器对***故障案例数据信息、监测历史数据、实时数据和数据分析流程进行存储，并采用输入输出接口连接键盘、外部存储器和显示器，分析过程中生成的KPCA模型集信息以及分析结果等可以采用人机交互的形式在显示器中表达出来。

基于以上装置，本发明的流程工业复杂机电***状态监测分析方法的工作流程如图2所示，具体步骤如下：

步骤1：被监测对象的数据提取，依据具体的被监测对象，结合监测目标，有效提取历史数据库中存储的正常工况的数据，并且能够提取与历史数据相对应监测变量的实时数据。

步骤2：对提取的实时/历史数据的预处理；数据的预处理包括小波降噪和标准化处理（使均值为零，方差为1）。该步骤具体包括：

（a）对提取的实时/历史数据进行小波降噪。根据小波变换阈值去噪的原理，小波变换阈值去噪通常包含以下3个步骤：(1)选择一个合适的小波基并确定分解的层次对信号进行小波分解；(2)确定各层细节系数的阈值，用软阈值或硬阈值的方法处理小波系数；(3)小波逆变换重构信号。

（b）对小波变换阈值去噪后的数据进行标准化处理。不同变量常常具有不同的量纲和数量级。为了在同一数量级上比较不同变量的变化程度，需要消除量纲的影响，故将数据标准化。标准化后数据的均值为0，方差为1。

步骤3：基于历史正常工况数据建立KPCA模型。原始输入数据矩阵X∈R^n×m（m个观测变量，n个采样次数）为正常运行状态下的n个样本，经过步骤2的预处理后的数据矩阵为采用高斯径向基核函数

计算核矩阵K。

对核矩阵K中心化，并求解K的特征值和特征向量a_k，对特征向量标准化处理，使得<a_k,a_k>=1/λ_k。其中λ_k是对应的特征值。

计算非线性主元t_k：

其中，

是标准化之后的特征向量，

是中心化之后的核矩阵K。

步骤4：结合故障案例库，构建双参数优化的KPCA模型集。对故障案例库中的每一种故障，对KPCA的核参数和主元个数进行优化，得到对应每种故障的KPCA模型。具体优化方法参看说明（3）。

步骤5：基于双参数优化的KPCA状态监测。对于一个新的实时监测的采样数据样本x_new∈R^1×m，构造相应的统计量T²和SPE及其相应控制限阀值T_α ²和SPE_α监测***状态。统计量T²及其相应控制限阀值T_α ²可由下式确定：

T²=[t₁,.,t_p]Λ^-1[t₁，…,t_p]^T    （2）

$T_{p,n,\mathrm{\&alpha;}}^2=\frac{p(n-1)}{n(n-p)}{F}_{p,n-p,\mathrm{\&alpha;}}---\left(3\right)$

其中Λ^-1是主元所对应的特征值构成的对角矩阵的逆矩阵，F_α(k,n-k)为置信度为α，自由度分别为p和n-p的F分布的上限值，可查表获得。SPE定义为：

当检验水平为α时，SPE控制限为

SPE控制限服从自由度为h的χ²分布。若a，b分别为SPE的均值和方差，则g=b/2a，h＝2a²/b。

步骤6：分析结果及有效预警信息显示。对比实时监测数据的统计量值和KPCA模型的统计量上限值，如果T_a<T或者SPE_a<SPE，说明***出现异常状态。分析结果通过人机交互模块即使显示，给予操作人员***异常状态提示。

以上双参数优化的KPCA方法优化过程如下：

参阅图3，图3为双参数优化的KPCA方法求解流程示意图。结合故障案例库，对案例库中的每种故障构建双参数优化的KPCA模型。建立一个双参数目标优化问题，求使得T²检出率和SPE检出率最大时的核参数σ和主元个数p，可用下式表达为：

$\max \frac{1}{2}(F_t(\mathrm{\&sigma;},p)+F_s(\mathrm{\&sigma;},p))$ (5)

$\mathrm{st}:\left\{\begin{array}{c}\mathrm{\&sigma;}>0\\ n\&le;p<m\end{array}\right.$

其中：

σ——核参数；

p——主元个数；

n——取85%累积贡献率时的主元个数；

m——输入空间的维度，也就是变量个数；

F_t(σ,p)——在给定的核参数和主元个数条件下的T²统计量检出率；

F_s(σ,p)——在给定的核参数和主元个数条件下的SPE统计量检出率；

对双参数目标优化问题，其具体求解包括如下步骤：

步骤1：获取正常工况下的数据作为训练样本并标准化，用初始核参数和主元个数建立KPCA模型。初始核参数σ=10m，m为输入空间维数，也就是变量个数。初始主元个数按照累积贡献率达到85%的方法选取。

步骤2由初始主元个数求得检验水平α＝99%下的T²统计量和SPE统计量上限值。

步骤3：获取故障案例数据，并对每一变量用训练数据对应向量的标准差和均值标准化。

步骤4：求取该故障案例数据在初始参数下的主元向量，得到T²统计量和SPE统计量。

步骤5：比较统计量值和统计量上限值，分别计算T²统计量和SPE统计量超出上限值的样本所占的百分比，得到平均检出率。

步骤6：改变初始参数，并按上述步骤计算新参数下统计量的平均检出率，与上一个平均检出率比较，保留平均检出率更高的核参数和主元个数。

步骤7：重复上述步骤，直到平均检出率满足故障检测要求的某一检出率，或得到一个收敛解。此时的核参数和主元个数即是对于该故障的最优KPCA模型参数。

在这个优化问题的求解过程中，需要考虑核参数σ不能取的过大，以防止核函数太泛化，失去提取非线性特征的优势。在求主元个数p时，若发生主元个数越大，故障检出率越高的情况，则需要考虑提升降维效果和提高故障检出率之间的平衡。

本发明采用的双参数优化KPCA方法结合了故障案例数据，对已知的故障更具有针对性。当***运行过程中出现与故障案例库中类似的故障时，双参数优化的KPCA方法能使得故障检测效果达到最佳。

参阅图4-图5，图4为压缩机组结构示意图。该压缩机组***由5EH-8BD汽轮机，RIK100-4径向等温紧凑型空压机，RBZ45-7径向筒式增压机和TX36/1C变速箱以及一些辅助装置和设备组成。选取与压缩机组***运行状态密切相关的70个监测变量作为观测变量。

图5为双参数优化KPCA对***故障的检测图。该故障因蒸汽管网压力下降导致空压机低负荷运行。优化后选择核参数为495，主元个数为8，建立KPCA模型并监测压缩机组的运行状态。从图中可以看到，在第800个样本附近两个统计量均表现出明显的超限，两个统计量都能有效检测出该故障。其中，T²统计量的检出率为94.2%，SPE统计量的检出率为99.4%，平均检出率为96.8%。

实际流程工业生产中的***比较复杂、***故障情况多，因此需建立丰富的故障案例数据库，对***的异常状态做出有针对性的预警。在此基础上利用技术人员的经验知识对状态监测结果做进一步进行取舍和分析，做更进一步的故障诊断。

Claims (4)

1.一种流程工业复杂机电***的状态监测装置，其特征在于，包括：

人机交互模块：用于实现用户和状态监测***的交互，包括***状态监测信息的输入和输出，调用数据采集模块、数据预处理模块和数据分析模块；

数据采集模块：用于对***历史状态检测数据和DCS控制***运行过程中产生的实时数据进行提取；

数据预处理模块：用于去除监测变量数据的高斯白噪声，以及对采集的数据进行标准化处理，去除量纲的影响，以便后续的分析；

数据分析模块：用于对监测***的建模，并将实时监测数据与所建模型对比，检测***异常状态；

故障案例库：用于存储、管理被监测***的历史故障信息，包括故障时间、故障原因、以及故障模式；

所述人机交互模块分别与数据采集模块、数据预处理模块和数据分析模块相连接，作为信息传递的载体；同时，数据采集模块、数据预处理模块和数据分析模块分别和故障案例库相连，从故障案例库中提取信息，完成建模和分析的功能。

2.根据权利要求1所述的流程工业复杂机电***的状态监测装置，其特征在于，所述数据分析模块中的功能包括：双参数优化的KPCA模型的分析方法；结合***案例库的数据信息，建立监测***的KPCA模型集；实时监测数据与建立的KPCA模型集对比，检测***异常状态；对整个流程工业***的运行情况做出判断，提供安全预警信息。

3.一种基于权利要求1所述装置的流程工业复杂机电***的状态监测方法，其特征在于，包括以下步骤：

1）数据采集：从故障案例库中提取被监测对象的正常工况历史数据并采集监测对象的实时监测数据；其中历史数据用于建立***模型，实时数据用于对***状态的监测；

2）数据预处理：首先采用小波去噪的方法对提取的正常工况历史数据和采集的监测对象的实时监测数据进行降噪处理；然后对降噪后的数据进行标准化处理，消除各监测变量量纲不一致的影响；

3）建立***模型：采用双参数优化的核主元分析方法，根据正常工况历史数据建立KPCA模型，并结合已知故障案例数据对KPCA模型中的核参数和主元个数进行优化，得到KPCA模型集，用于检测***是否处于异常状态；

4）异常状态监测：计算采集的实时监测数据在所建立模型下的监测统计量，并与模型的监测统计量上限值作比较，如果超出了统计量上限值，则能够判断***在统计意义上出现了异常状态；

5）将分析结果及有效预警信息通过人机交互模块显示出来。

4.根据权利要求3所述的流程工业复杂机电***的状态监测方法，其特征在于，步骤3）中具体包括以下步骤：

a）建立一个双参数目标优化问题，求使得T²统计量检出率和SPE统计量检出率最大时的核参数σ和主元个数p，用下式表达为：

$\max \frac{1}{2}(F_t(\mathrm{\&sigma;},p)+F_s(\mathrm{\&sigma;},p))$ (5)

$\mathrm{st}:\left\{\begin{array}{c}\mathrm{\&sigma;}>0\\ n\&le;p<m\end{array}\right.$

其中：

σ——核参数；

p——主元个数；

n——取85%累积贡献率时的主元个数；

m——输入空间的维度，即变量个数；

F_t(σ,p)——在给定的核参数和主元个数条件下的T²统计量检出率；

F_s(σ,p)——在给定的核参数和主元个数条件下的SPE统计量检出率；

b）获取正常工况下的数据作为训练样本并标准化，用初始核参数和主元个数建立KPCA模型；初始核参数σ=10m，m为输入空间维数，也就是变量个数；初始主元个数按照累积贡献率达到85%的方法选取；

c）由初始主元个数求得检验水平α＝99%下的T²统计量和SPE统计量上限值；

d）获取故障案例数据，并对每一变量用训练数据对应向量的标准差和均值标准化；

e）求取该故障案例数据在初始参数下的主元向量，得到T²统计量和SPE统计量；

f）比较统计量值和统计量上限值，分别计算T²统计量和SPE统计量超出上限值的样本所占的百分比，得到平均检出率；

g）改变初始参数，并按上述步骤计算新参数下统计量的平均检出率，与上一个平均检出率比较，保留平均检出率更高的核参数和主元个数；

h）重复上述步骤，直到平均检出率满足故障检测要求的某一检出率，或得到一个收敛解；此时的核参数和主元个数即是对于该故障的最优KPCA模型参数。

Images