CN104950873B - 工业控制回路间歇振荡的在线检测方法 - Google Patents

Abstract

本发明公开了一种工业控制回路间歇振荡的在线检测方法，包括如下步骤：(1)在待检测的控制回路，预先采集一个大窗口历史数据经过处理初始化检测***；(2)在待检测的控制回路中，在线实时采集一个小窗口过程数据更新到大窗口数据中；(3)将小窗口数据结合原大窗口数据进行处理并重组，得到更新后大窗口数据的各频率重组子信号；(4)计算各重组子信号所对应的监控统计量，判断实时检测结果；(5)重复步骤(2)～步骤(4)，综合所有判断结果得到在线检测结果。本发明的方法能够对工业控制回路的间歇、多周期振荡行为进行定量检测，能对其中多重振荡、间歇振荡、非平稳信号等成分加以区分，同时获得各个振荡分量的规则程度和周期。

Description

工业控制回路间歇振荡的在线检测方法

技术领域

本发明涉及工业控制***中的性能评估领域，尤其涉及一种工业控制回路间歇振荡的在线检测方法。

背景技术

现代工业过程设备具有规模大、综合度高、操控复杂、变量多，且长时间运行在闭环控制下等特点。工业常见的化工生产过程，往往包含成千上万个控制回路，而且，这些回路由于耦合关系而互相影响。由于工业控制回路中控制器过整定、外部扰动和调节阀非线性工作等特性的普遍存在，控制回路的振荡行为时常发生，这极大地影响了工业流程设备运行的经济效益和稳定性。

对工业流程设备进行初步准确的振荡检测可以减少废品生产量，降低不合格率，增加工业流程设备运行过程中的可靠性、安全性，同时降低制造成本。许多控制器在运行初期还能保持良好的性能，但随着时间的推移，由于外部干扰因素或设备自身问题的影响，控制器的性能会逐渐降低甚至失效。具体表现为控制回路过程发生各类振荡行为，其中可能包含多重振荡、间歇振荡、非线性等成分，从而威胁到工业过程的安全稳定运行。同时，由于实时环境中设备负载和工况经常发生变化，工业过程还表现出非平稳数据特性的一面，具体表现为过程数据的局部均值迁移现象。对于重要的控制回路，及时发现其运行过程的振荡特性有助于工程人员进行故障诊断和排查。因此，在工业控制***性能评估过程中，设计有效的在线监控手段，及时、准确检测出控制回路中非平稳过程数据的各类振荡成分，并区分出各自不同的频率范围，对于控制器性能评估和控制回路故障诊断都有着重要意义。

现有的工业控制回路振荡检测技术，绝大多数都是基于平稳过程数据的离线分析方法。最近二十年中也出现了一些针对非平稳过程数据的振荡检测方法。按其主要思路可大致归纳为三种：基于过程数据时域统计的分析方法；基于过程数据的自相关函数(ACF)的分析方法；以及基于过程数据的信号分解方法(包括经验模式分解EMD和基变换分解)。但是基于过程数据时域统计或自相关函数域分析的检测方法在工业应用中有三个缺点：一、该方法需要对待检测回路或过程有一定先验知识，某些参数也是按照经验确定；二、对非平稳和多振荡周期存在的工业过程，无法实现全自动无干预检测，需要设计针对性的滤波器进行数据平稳化处理和振荡成分分离；三、多数检测算法无法定量计算振荡成分的规则程度。目前基于过程数据的信号分解方法相较上述检测方法存在进步，但是其局限性主要体现在：现有信号分解技术分解得到的子信号层数冗余繁多，导致许多子信号缺乏实际物理意义支持，不具有良好的代表性，而且这些方法对非平稳信号趋势的拟合度也比较差，计算复杂度也比较高。另外，现有的间歇振荡、多周期振荡检测技术中，大多要求方法离线进行，在线运行中仍能表现良好的方法少之又少。

公开号为CN103970124A的中国发明专利公开了一种工业控制回路多周期振荡行为的在线检测方法，包括如下步骤：在待检测的控制回路中，在线实时采集一组过程数据；在线实时地对过程数据进行改进的本质时间尺度分解，并实时计算所得各个分解子信号所对应的监控统计量；判断各个监控统计量是否超过设定的阈值Ω，根据所有判断结果得到在线检测结果。当工业过程回路中存在间歇振荡的行为时，只单纯进行本质时间尺度分解，属于不同频率范围的子信号分量容易相互混杂，这对我们的振荡检测是极为不利的；另外，工业过程中不规则的尖峰扰动普遍存在，当该扰动具有较大幅值时，很可能造成本质时间尺度的分解层次虚增情况。

在过程振荡检测算法的实际应用中，检测工业控制回路是否具有振荡行为，并定量评估振荡行为的规则度指数，普遍适用于存在多周期振荡、间歇振荡、非平稳和非线性成分的过程数据，并且能够依赖一个较小滑动窗口的批次数据实现在线检测，对于准确诊断工业过程振荡的存在性有非常重要的实用意义，也有利于工业过程的控制性能定量评估。

发明内容

本发明提供了一种工业控制回路间歇振荡在线检测方法，能够适用于存在多周期振荡、间歇振荡等行为的工业控制回路过程。

一种工业控制回路间歇振荡的在线检测方法，包括如下步骤：

(1)在待检测的控制回路，预先采集一个大窗口历史数据，将所述历史数据通过本质时间尺度分解、半波信息提取、基于频率的鲁棒聚类以及信号重组处理后，得到原数据中各频率成分的初始估计；

(2)在待检测的控制回路中，在线实时采集一个小窗口过程数据放在原大窗口数据之后，大窗口向后滑动，与实时采集的小窗口过程数据组成一个新的大窗口数据；

(3)将实时采集的小窗口数据经过本质时间尺度分解、半波信息提取后，结合现大窗口中剩余的半波信息作鲁棒聚类处理并重组，得到的重组子信号即为更新后的大窗口数据中各频率成分的实时估计；

(4)计算各子信号所对应的监控统计量，判断各子重组信号是否处于振荡状态，综合各重组子信号的判断结果，即为当前大窗口数据的实时检测结果；

(5)重复步骤(2)～步骤(4)，即可实时跟踪待检测控制回路的运行状况。

本发明直接采用化工过程的可测变量作为过程数据，该数据通过现场实时采集获得，即并随着时间推移，不断采集和更新过程数据到监控***。每次更新原大窗口数据后，首先对所采集的小窗口中数据进行本质时间尺度分解，得到分解子信号集合{xⁱ}，然后对其做基于频率的鲁棒K均值处理；结合大窗口中其余半波信息更新当前聚类结构，并重组相应子信号得到重组子信号；然后计算每个重组子信号对应的监控统计量该统计量的计算复杂度极小，对大批量的多组数据也可以同时实时进行。最后，通过规定阈值Ω判断，当某一重组子信号对应的监控统计量超过该阈值时，说明该重组子信号和原信号发生振荡。

步骤(1)中，大窗口历史数据的收集方法为：在每个采样间隔内记录下待检测控制回路中的过程数据，且每个采样间隔内采集到的数据都添加在先前所采集的过程数据末端，直到所收集数据满足预先规定的大窗口尺寸为止。

采样间隔是指性能评估***的采样间隔。过程数据x随着时间推移不断更新，每经过一个采样间隔的时间长度，均有新的过程数据添加到先前采集的过程数据的末端。性能评估***的采样间隔一般与工业控制***中的控制周期相同，也可以选择为控制周期的整数倍，具体根据性能监控和工业现场的实时性要求和数据存储量限制来确定。

为达到检测***的实时性能，同时保证检测结果的可靠性，小窗口的尺寸可选择为大窗口尺寸的0.2～0.3倍左右，而大窗口尺寸的选择则根据控制回路中最大周期振荡、工业现场实时性要求、工业振荡容许程度以及数据存储量综合考虑。

作为优选，在步骤(1)和步骤(3)中，原信号经本质时间尺度分解后得到不同频率的分解子信号，其中本质时间尺度分解方法的停止条件为剩余分量的振荡指数I＜0.7。

本发明中使用本质时间尺度分解，是依据现有技术(参考文献：Frei M G，OsorioI.Intrinsic time-scale decomposition：time-frequency-energy analysis and real-time filtering of non-stationary signals[J].Proceedings of the Royal SocietyA：Mathematical，Physical and Engineering Science，2007，463(2078)：321-342)实施的。对于本质时间尺度分解的终止条件(改进的本质时间尺度分解)，即分解剩余分量的振荡指数I＜0.7这一指标，是依据现有技术(参考文献：Online detection of time-variantoscillations based on improved ITD.Zixu，Guo；Lei，Xie；Taihang，Ye；Alexander，Horch.Control Engineering Practice vol.32issue 8August，2014.p.64-72)得到。

所谓改进的本质时间尺度分解，是指在原有的本质时间尺度分解基础上进行改进，保留了原有方法的所有数学和计算特征，只是在终止条件上进行简化和修改，改进的分解方法对于同一过程数据，相比于原方法，获得的分解子信号数量更少，更适合于分析原信号振荡行为。该分解计算复杂度很低，因此可以实时的在线的进行，在每个采样间隔完成计算，分解子信号序列集合{xⁱ}。即保留原有子信号构造和提取方法不变，而将其原有方法终止分解的条件修改为剩余分量的振荡指数I＜0.7。

作为优选，在步骤(1)和步骤(3)中，所述半波为各层分解子信号中介于两连续零交叉点之间的信号片段；半波信息提取包括：剔除代表噪声信号；收集剩余分解子信号中所有半波的波长及其起始、终止时刻。

本发明中半波信号的提取，首先进行的是噪声层次剔除机制。经本质时间尺度分解得到的分解子信号中，有些分解子信号的频率非常高，其穿越零交叉点的次数远远多于其他层次的分解子信号。因此，可近似将其认为是噪声层次，即工业控制回路中如此高频的成分并不属于振荡范畴。

本发明中，作为优选，噪声信号的判断依据为统计量A，其计算公式为：

其中C_k为分解子信号自相关函数的零交叉点数目，N为采样数；若统计量A大于界限值A_lim，则认为该分解子信号为噪声信号。A_lim一般取值在0.3～0.5，可根据工况调整；被剔除的噪声信号，不再参与之后的聚类和重组环节。

本发明中，作为优选，在步骤(1)和步骤(3)中，基于频率的鲁棒聚类为以所提取出的半波为个体、以各半波的波长为特征的K均值聚类算法；

本发明中的K均值聚类算法是依据现有技术(参考文献：Some methods forclassification and analysis of multivariate observations.Macqueen，J.In：Proceedings of 5th Berkeley Symposium on Mathematical Statistics andProbability；1967.p.281-297)得到。

而所谓鲁棒K均值聚类，是指在原有K均值聚类的基础上进行改进，在聚类个数的选择、初始聚类中心确定以及避免局部最优等三个方面予以改进，使传统的K均值算法更具鲁棒性：

作为优选，步骤(1)中：

最优聚类个数k等于剔除噪声信号后，剩余分解子信号的个数；

初始聚类中心P_i为对应各层分解子信号所包含的半波波长的中位数

其局部最优的避免方法为：K均值收敛后将其收敛中心作为初始中心重新聚类以验证聚类是否已达全局最优。

在线实时采集小窗口过程数据，是指在预设的每个采样间隔内记录下待检测的控制回路中的过程数据，且每个采样间隔内采集到的过程数据都添加在先前所采集的过程数据末端。当所收集采样数达到预先规定的小窗口尺寸后，不再向当前小窗口添加数据，转而新建下一个小窗口。

而更新原大窗口数据方法为，将采集的小窗口实时数据添加在原大窗口过程数据末端，且删去该大窗口中最前端一部分的数据，删去数据尺寸等于所使用小窗口的尺寸。

小窗口数据提取出的所有半波结合现大窗口中其余半波做基于频率的鲁棒聚类处理。

作为优选，步骤(3)中：

在聚类之前要更新现窗口聚类结构，包括最优聚类个数K^*和初始聚类中心的更新；

最优聚类个数K^*为：

K^*＝argmax{S(K_old-1)，S(K_old)，S(K_old+1)}，

其中S(*)为聚类质量指标—隔离度，K_old为原大窗口所包含数据的聚类个数；

隔离度S(*)的计算依据现有技术(参考文献：Well-separated clusters andoptimal fuzzy partitions.Dunn，J.C.Cybernetics and Systems vol.4 issue1，1974.p.95-104)得到。K^*如此计算的深层含义为，伴随一个小窗口数据的更新，聚类结构的变化并不剧烈，其最优的聚类个数仅是在原聚类数基础上波动±1。这么做可减少整个过程的计算量，若实际工况中聚类结构变化更为剧烈，可扩大K^*的搜索范围以找到最优聚类个数。

初始聚类中心的更新：初始聚类中心，根据当前最优聚类个数选择。

作为优选，步骤(3)中，根据当前最优聚类个数选择类初始聚类中心的方法为：

若K^*＝K_old，聚类个数未发生变化，类初始中心为C_new＝C_old；

聚类个数未发生变化时，最大概率的情况为：大窗口数据的聚类结构并未变化，因此选择原大窗口聚类结果作为现大窗口初始聚类中心。当然，即使大窗口中聚类结构发生了变化(如：新增一个类，同时一个旧类消失)，鲁棒K均值聚类结果同样能收敛到最终聚类中心。

若K^*＝K_old+1，现大窗口过程数据中多出一个类，则该类的初始聚类中心选择为：

其中，m为原大窗口数据的最优聚类个数，c_i为相应聚类中心；n为小窗口数据的聚类个数，c_j为相应的聚类中心；dis(c_i，c_j)为两聚类中心之间欧氏距离；rad(c_i)为类c_i对应类半径；

其深层含义为在现小窗口中挑选出一个初始中心，加上原大窗口的K_old个聚类中心作为现大窗口的K_old+1个聚类初始中心，而小窗口中所选的中心是与原大窗口K_old个聚类中心在相对距离上最无关的一个中心。

若K^*＝K_old-1，现大窗口过程数据少了一个类，则应在原聚类结构中删去一个类：

其中，m为原大窗口数据的最优聚类个数，c_i为相应聚类中心；n为小窗口数据的聚类个数，c_j为相应的聚类中心；dis(c_i，c_j)为两聚类中心之间欧氏距离；rad(c_i)为类c_i对应类半径；

其深层含义为在原大窗口K_old个聚类中心中删除一个初始中心，剩余的聚类中心作为现大窗口的K_old-1个初始聚类中心，而所删除的中心是与现小窗口的聚类中心在相对距离上最无关的一个中心。

作为优选，在步骤(1)和步骤(3)中，得到重组子信号的方法为：经K均值聚类处理后，将归属于同一类的所有半波信息重组到同一子信号中得重组子信号。具体为；根据每个半波信号的起始、终止时刻确定半波特征，同一类半波重组到同一层重组子信号中，且同一层重组子信号中缺失半波的部分用零值替代，重叠半波的部分则将这些半波线性相加。重组子信号按频率从高到低降序排列。

重组现大窗口经聚类所得各类处于不同频率范围的半波，即可得到更新后过程数据的各层频率重组子信号。

作为优选，步骤(4)中，监控统计量的计算公式为：

其中，N为该重组子信号的数据长度，是置信度为1-α时自由度为N-1的卡方分布临界值(卡方分布临界值可以查表获得)，为该重组子信号中半波波长的中位数，为利用Q_n估计算法计算得到的鲁棒性方差。

对于各个重组子信号，其监控统计量计算方法包括如下步骤：

步骤(4-1)，获得各层重组子信号的零穿越点间隔序列，对于第k个重组子信号其零穿越点间隔序列为T^k；

步骤(4-2)，计算零穿越点间隔序列T^k的中位数

步骤(4-3)，计算零穿越点间隔序列T^k的鲁棒性方差

步骤(4-4)，根据中位数和鲁棒性方差计算监控统计量

其中在步骤(4-3)中，可利用Qn估计法计算其鲁棒性方差

根据判断结果得到在线检测结果的具体方式为：如果其中一个监控统计量超过阈值Ω，则判定该控制回路对应的重组子信号存在振荡，若所采集的过程数据中有多个重组子信号存在振荡行为，则判断该控制回路存在多周期时变振荡行为。其中多周期时变振荡可能包括多重振荡、间歇振荡等成分。

本发明中，作为优选，所述阈值Ω为3，即当说明中存在振荡行为。

之后，每实时采集一个小窗口的过程数据，立即更新到原大窗口数据中。其后更新现窗口聚类结构，检测现窗口过程数据所对应各层频率分量是否存在振荡现象，以此达到工业控制回路中间歇、多周期振荡行为的在线检测目的。

本发明与现有技术相比具有的有益效果：

(1)算法无需外部附加信号激励，也不会对***引入附加扰动，能够实现非侵入式的检测与诊断；

(2)所采用的本质时间尺度分解实现了过程数据中非平稳分量的自动分离，相比于现有技术，其分解效率更高，计算复杂度更低；

(3)对各层分解子信号所提取出的半波信号采用鲁棒聚类处理，各处错位了的半波都能重组其应归属的层次，可获得物理意义更明显、更可靠的结果；

(4)能够对工业控制回路的间歇、多周期振荡行为进行量化指标检测，为待检测回路性能的评估和故障源诊断提供了丰富的数据支持；

(5)完全采用数据驱动型的方法，无需过程先验知识，无需预先设计滤波器，也不需进行人工干预；

(6)计算复杂度低，便于操作，算法编写简易，利于在现有的DCS工作站或控制***上位机上实施。

附图说明

图1为本发明当前实施例中的化工过程的流程示意图；

图2为本发明当前实施例中实时采集的一组加热炉出口温度控制回路的过程数据；

图3为本发明在当前实施例中1～2000Samples范围内的实施效果；

图4为本发明在当前实施例中1～2000Samples范围内各重组子信号对应的监控统计量以及阈值Ω位置，其中未绘示噪声分量；

图5为本质时间尺度分解在当前实施例中1～2000Samples范围内的分解效果；

图6为本质时间尺度分解在当前实施例中1～2800Samples范围内的分解效果；

图7为本发明在当前实施例中1～3000Samples范围内的实施效果；

图8为本发明在当前实施例中1～3000Samples范围内各重组子信号对应的监控统计量以及阈值Ω位置，其中未绘示噪声分量；

图9为本发明的方法流程图。

具体实施方式

下面针对国内某大型石化企业延迟焦化生产过程中主加热炉的性能评估为例，对存在控制阀粘滞特性的工业控制回路间歇振荡的检测方法做详细描述。

如图1所示，石化过程加热炉是生产流程中的重要环节和主要能耗单元之一，炉出口温度的平稳控制对于提高产品品质和降低能耗有着重要意义。

加热炉通过瓦斯气供应取热，瓦斯量根据上游油性变化而波动，需要控制空气进风量使瓦斯气充分燃烧以获取最大热量，同时应保证一定的空气余量，但过多的低温空气会带走炉内热量，造成燃料浪费，损失经济效益，因此，以加热炉出口温度作为被控变量，燃料瓦斯气开度作为操作变量进行回路控制，同时过程存在随机扰动。

瓦斯气开度调节阀(控制阀)属于该控制回路的执行机构，运行一段时间后出现一定的非线性特性，由于控制器过整定等原因，控制回路容易出现持续振荡行为。而且，外部扰动也可以通过耦合回路引入该回路，导致回路产生其他频率振荡。本发明当前实施例所采集的过程数据即为瓦斯气调节阀粘滞情况下、又有间歇的外部扰动引入时加热炉出口温度数据。经过中心化后的加热炉出口温度数据如图2所示，图2中横坐标为采样点序数，单位为Samples(1个Sample对应一个数据的采样间隔)，纵坐标为经过中心化后的正常工况下加热炉出口温度，单位为℃。

如图9所示，本发明的具体实施方式如下：

步骤(1)：

在待检测的控制回路中，设计大窗口尺寸为600个Samples，小窗口尺寸为200个Samples。如图2所示，实时在线采集的过程数据y前600个采样点将作为检测***初始化使用。具体细节如下：

对采集到的过程数据y_t，分别进行本质时间尺度分解、半波信息提取、基于频率的鲁棒K均值聚类以及信号重组。其中停止分解的条件为，剩余分量的振荡指数I＜0.7；半波信息提取是指提取各分解子信号相邻零交叉点之间距离(采样间隔)以及相应的起始、终止时刻，同时剔除属于噪声的子信号，y¹即为噪声层次(如图3所示)；鲁棒的K均值聚类是以各个半波对应波长度量的一维聚类算法；信号重组是将各个类按频率从高到低顺序分别重组到相应层次重组子信号。如此即可获得该大窗口数据各层频率成分的初始估计。

步骤(2)：

初始化结束后，每实时收集一个小窗口尺寸(200Samples)过程数据，同时更新大窗口中数据。例如，现小窗口为第601～800Samples，则现大窗口从1～600Samples滑动到201～800Samples。将现小窗口数据本质时间尺度分解并提取半波信息后，结合201～600Samples中的半波，做新一轮K均值聚类，其中包含：

步骤(2-1)，聚类个数更新：现大窗口数据中，其最优聚类个数K^*为：

K^*＝argmax{S(K_old-1)，S(K_old)，S(K_old+1)}

其中S(*)为聚类质量指标—隔离度，K_old为原大窗口包含数据的聚类个数。此时发现多出一个类别(y³表征的间歇振荡成分，如图3所示)，其最优聚类个数从2个变为了3个。

步骤(2-2)，K^*＝K_old+1，则采用公式：

增加一个新的初始聚类中心，其中，m为原大窗口数据的最优聚类个数，c_i为相应聚类中心；n为小窗口数据的聚类个数，c_j为相应的聚类中心；dis(c_i，c_j)为两聚类中心之间欧氏距离；rad(c_i)为类c_i对应类半径。

步骤(2-3)，得到最优聚类个数及相应初始中心后，对所有半波做聚类处理。

步骤(3)：

更新聚类结构之后，重组现大窗口聚类结果对应半波，得到更新后各层重组子信号。

步骤(4)：

对于各个重组子信号{y²，y³，y⁴}，实时计算对应的监控统计量计算方式如下(其中y¹为噪声层次，不做振荡检测)：

步骤(4-1)，获得各个分解子信号的零穿越点间隔序列，对于第k个分解子信号y^k，其零穿越点间隔序列为T^k；

步骤(4-2)，计算零穿越点间隔序列T^k的中位数

步骤(4-3)，利用Q_n估计算法计算零穿越点间隔序列T^k的鲁棒性方差

步骤(4-4)，根据中位数和鲁棒性方差计算监控统计量监控统计量的计算公式如下：

其中，N为该分解子信号的数据长度，是置信度为1-α时自由度为N-1的卡方分布临界值。在本发明实施例中置信度1-α取0.95，对应参数α为0.05，监控统计量在各个采样间隔的实时计算结果如图4所示，若某重组子信号对用统计值超过3，则有0.95置信度认为待检测回路中出现了振荡现象。

步骤(5)：

当现大窗口实时监控统计量计算结束后，等待***收集下一个尺寸为200Samples的小窗口数据，并不断滑动大窗口，实现待检测控制回路运行状况的实时跟踪。图3为小窗口更新到1801～2000Samples时检测***的历史处理曲线，从图中可清晰看到y⁴所对应信号为控制回路中持续振荡成分，y³则是过程运行中由外部干扰等因造成的较高频间歇振荡成分，它从第一个小窗口(601～800Samples)出现，而在第5个小窗口(1401～1600Samples)消失了，其特征描述与原信号y中观察结果一致，从而验证了本发明的可靠性和有效性。

图4为重组子信号{y²，y³，y⁴}对应的监控统计量计算结果，从图中可以看出，监控统计量和超过规定阈值Ω＝3，阈值如虚线所示，说明该回路对应子信号分量y³和y⁴发生振荡，从而确认该加热炉出口温度数据存在两个不同周期的振荡行为。

若仅对过程数据y做本质时间尺度分解，其分解结果如图5所示，从图中可轻易看出分属于不同频率范围的子信号分量y²、y³和y⁴混杂在一起，其中y²包含少量原属于y³的半波成分，同时y³和y⁴对应分量相互混杂，这对我们的振荡检测是极为不利的。而本发明所提出的分解、提取、聚类以及重组步骤能有效解决这一问题，图5充分展示了本发明所提出内容的必要性。

另外，工业过程中不规则的尖峰扰动普遍存在，当该扰动具有较大幅值时，很可能造成本质时间尺度的分解层次虚增情况，如图6所示，在1～2800Samples内对过程数据y做单纯的本质时间尺度分解，得到分解子信号为{y¹，y²，y³，y⁴，y⁵}。***并没有产生新层次的振荡行为，但是不规则的扰动影响了过程信号的正常分解过程，导致多余子信号y⁵的出现。

若采用本发明所提出的办法，在小窗口更新到2201～2400Samples时，尽管该小窗口本质时间尺度分解结果获得5层子信号，但结合当前大窗口其余半波信号做聚类处理时，其最优聚类个数K^*＝K_old＝3(y¹为噪声层次)保持不变，所有半波仍然聚类并重组到三个层次中，如图7所示。本发明所提出的方法具有良好的抗干扰性，这也是本发明中鲁棒性的体现。

图8为本发明所提出检测***处理3000个Samples重组子信号{y²，y³，y⁴}对应的监控统计量结果。持续振荡成分y⁴对应监控统计量长期稳定在阈值Ω＝3以上，同时间歇振荡成分y³分别在过程中出现了两次，我们的监控统计量也实时跟踪到了成分y³的变化情况。

利用本发明方法，能够对工业控制回路的间歇振荡行为进行定量检测，获得多周期振荡各个振荡分量(如多重振荡、间歇振荡等成分)的规则程度和周期。为振荡行为的评价和故障源诊断提供了丰富的数据支持。

Claims (9)

1.一种工业控制回路间歇振荡的在线检测方法，其特征在于，包括如下步骤：

(1)在待检测的控制回路，预先采集一个大窗口历史数据，将所述历史数据通过本质时间尺度分解、半波信息提取、基于频率的鲁棒聚类以及信号重组处理后，得到原数据中各频率成分的初始估计；

(2)在待检测的控制回路中，在线实时采集一个小窗口过程数据放在原大窗口数据之后，大窗口向后滑动，与实时采集的小窗口过程数据组成一个新的大窗口数据；

(3)将实时采集的小窗口数据经过本质时间尺度分解、半波信息提取后，结合现大窗口中剩余的半波信息作鲁棒聚类处理并重组，得到的重组子信号即为更新后的大窗口数据中各频率成分的实时估计；

(4)计算各子信号所对应的监控统计量，判断各重组子信号是否处于振荡状态，综合各重组子信号的判断结果，即为当前大窗口数据的实时检测结果；

(5)重复步骤(2)～步骤(4)，即可实时跟踪待检测控制回路的运行状况。

2.根据权利要求1所述的工业控制回路间歇振荡的在线检测方法，其特征在于，步骤(1)中，大窗口历史数据的收集方法为：在每个采样间隔内记录下待检测控制回路中的过程数据，且每个采样间隔内采集到的数据都添加在先前所采集的过程数据末端，直到所收集数据满足预先规定的大窗口尺寸为止。

3.根据权利要求1所述的工业控制回路间歇振荡的在线检测方法，其特征在于，在步骤(1)和步骤(3)中，原信号经本质时间尺度分解后得到不同频率的分解子信号，其中本质时间尺度分解方法的停止条件为剩余分量的振荡指数I<0.7。

4.根据权利要求1所述的工业控制回路间歇振荡的在线检测方法，其特征在于，在步骤(1)和步骤(3)中，所述半波为各层分解子信号中介于两连续零交叉点之间的信号片段；半波信息提取包括：剔除代表噪声的子信号；收集剩余分解子信号中所有半波的波长及其起始、终止时刻。

5.根据权利要求4所述的工业控制回路间歇振荡的在线检测方法，其特征在于，噪声信号的判断依据为统计量A，其计算公式为：

$A=\frac{C_k}{N},$

其中C_k为分解子信号自相关函数的零交叉点数目，N为采样数；若统计量A大于界限值A_lim，则认为该分解子信号为噪声信号；所述A_lim的取值为0.3～0.5。

6.根据权利要求1所述的工业控制回路间歇振荡的在线检测方法，其特征在于，在步骤(1)和步骤(3)中，基于频率的鲁棒聚类为以所提取出的半波为个体、以各半波的波长为特征的K均值聚类算法；

步骤(1)中：

最优聚类个数k等于剔除噪声信号后，剩余分解子信号的个数；

初始聚类中心P_i为对应各层分解子信号所包含的半波波长的中位数

步骤(3)中：

在聚类之前要更新现窗口聚类结构，包括最优聚类个数K^*和初始聚类中心的更新；

最优聚类个数K^*为：

K^*＝argmax{S(K_old-1),S(K_old),S(K_old+1)}，

其中S(*)为聚类质量指标—隔离度，K_old为原大窗口所包含数据的聚类个数；

初始聚类中心，根据当前最优聚类个数选择。

7.根据权利要求6所述的工业控制回路间歇振荡的在线检测方法，其特征在于，步骤(3)中，根据当前最优聚类个数选择类初始聚类中心的方法为：

若K^*＝K_old，聚类个数未发生变化，类初始中心为C_new＝C_old；

若K^*＝K_old+1，现大窗口过程数据中多出一个类，则该类的初始聚类中心选择为：

$C_{add}\&LeftArrow;\underset{1\&le;j\&le;n}{\mathrm{argmax}}\left\{\underset{1\&le;i\&le;m}{min}\right\{\frac{dis(c_i,c_j)}{rad\left(c_i\right)}\left\}\right\};$

若K^*＝K_old-1，现大窗口过程数据少了一个类，则应在原聚类结构中删去一个类：

$C_{del}\&LeftArrow;\underset{1\&le;i\&le;n}{\mathrm{argmax}}\left\{\underset{1\&le;j\&le;m}{min}\right\{\frac{dis(c_j,c_i)}{rad\left(c_j\right)}\left\}\right\};$

其中，m为原大窗口数据的最优聚类个数，c_i为相应聚类中心；n为小窗口数据的聚类个数，c_j为相应的聚类中心；dis(c_i,c_j)为两聚类中心之间欧氏距离；rad(c_i)为类c_i对应类半径。

8.根据权利要求1所述的工业控制回路间歇振荡的在线检测方法，其特征在于，在步骤(1)和步骤(3)中，得到重组子信号的方法为：经K均值聚类处理后，将归属于同一类的所有半波信息重组到同一层信号中得重组子信号。

9.根据权利要求1所述的工业控制回路间歇振荡的在线检测方法，其特征在于，步骤(4)中，监控统计量的计算公式为：

${\widehat{\mathrm{\&eta;}}}^k=\frac{\sqrt{N-1}}{\sqrt{{\mathrm{\&chi;}}_{N-1,1-\mathrm{\&alpha;}/2}^2}}\frac{{\mathrm{\&mu;}}_T^k}{{\mathrm{\&sigma;}}_T^k},$

其中，N为该重组子信号的数据长度，是置信度为1-α时自由度为N-1的卡方分布临界值，为该重组子信号中半波波长的中位数，为利用Q_n估计算法计算得到的鲁棒性方差。