CN110008565B - 基于运行参数关联性分析的工业过程异常工况预测方法 - Google Patents

Abstract

本发明公开了一种基于运行参数关联性分析的工业过程异常工况预测方法，可应用于工业过程的故障预测与健康管理。本发明从工业过程运行参数之间的关联性入手，基于运行参数的关联性分析进行异常工况预测。在单参数预测阶段，本发明根据已有传感器数据通过指数平滑方法对各个运行参数进行预测。在关联性分析阶段，本发明通过已知的各运行参数值以及参数预测值计算运行参数关联性，其中参数关联性由代表参数曲线的一系列指标的相似性表示。在关联性趋势预测阶段，本发明构造多元自回归模型对参数关联性进行预测。本发明提出的方法将运行参数关联性纳入考虑，能够获得更完备的设备异常信息以及更提前的预测结果，对于工业设备的故障预测有实际意义。

Description

基于运行参数关联性分析的工业过程异常工况预测方法

技术领域

本发明属于可靠性工程技术领域，涉及一种基于运行参数关联性分析的工业过程异常工况预测方法。

背景技术

随着复杂***的不断出现以及工业过程实时监测的需求不断增加，现代工业设备在运行过程中往往配备多个传感器对其运行状态进行监测。同时，设备运行过程中可能会出现多种故障模式，某一故障可能对应若干征兆，在此情况下，单传感器信息已无法完全体现设备运行状态，基于多传感器信息的故障预测应运而生。基于多传感器信息的故障预测旨在利用全面的传感器信息分析设备的运行状态，从而进行更可靠的设备诊断和预测。随着传感技术的持续发展，使用多个传感器进行设备的状态监测、故障诊断和预测已经成为发展趋势。

对于设备运行过程中的多个传感器，其代表的运行参数并不是独立存在的，设备的运行过程中每一运行参数的变化实际上都是对设备当前运行状态的反应。在工业设备正常运行状态下，运行参数通常比较平稳，维持在相对稳定的水平，因而运行参数的关联性也比较稳定。但当异常工况出现时，各运行参数对于异常的响应是不同的，从而导致运行参数的关联性发生变化，其关联性以及关联性变化趋势必然隐含着设备异常乃至故障的信息。

发明内容

针对现有的技术状况，本发明的目的是针对设备在运行过程中各运行参数存在关联性的问题，通过运行参数的关联性对设备运行过程的状态进行判断，通过对运行参数关联性变化趋势的预测来进行设备的异常工况预测。

现将本发明的构思阐述如下：

本发明提出一种基于运行参数关联性变化趋势的工业过程异常工况预测方法，从工业过程运行参数之间的关联性入手，通过对运行参数关联性的趋势分析进行异常工况预测。在单参数预测阶段，本发明根据已有传感器数据通过指数平滑方法对各个运行参数进行预测。在关联性分析阶段，本发明通过已知的各运行参数值以及参数预测值计算运行参数关联性，其中参数关联性由代表参数曲线的一系列指标的相似性表示。在关联性趋势预测阶段，本发明构造多元自回归模型对参数关联性进行预测。本发明提出的方法将运行参数关联性纳入考虑，能够获得更完备的设备异常信息以及更提前的预测结果。

根据以上发明构思，本发明提出一种基于运行参数关联性分析的工业过程异常工况预测方法，包括如下步骤：

步骤1：采用Holt指数平滑模型，对工业过程各传感器所采集的测量值序列进行定步长预测；

步骤2：以滑动窗口的方式，构造以工业过程运行参数变化趋势为特征的三元组，对数据窗口内的测量值序列进行表示，并通过基于欧氏距离的关联性指标计算该窗口内任意两个运行参数的关联性；

步骤3：根据已计算获得的关联性数据构造关联性预测模型，所述的关联性预测模型为多元自回归模型，并通过偏最小二乘算法估计模型参数；

步骤4：对于新获得数据，根据关联性预测模型进行设备异常工况的预测，并在预测到异常工况发生前不断更新关联性预测模型以及模型参数。

基于上述方案，各步骤可具体采用如下实现方式：

作为优选，步骤1具体如下：

步骤1.1：针对具有多个传感器的工业设备，记传感器数量为N，当设备处于运行过程中，不断采集到表征设备运行状态的运行参数值即传感器数据，将各传感器测量序列记为

其中K表示序列长度，

表示传感器i在第k个采样时刻点的测量值；

步骤1.2：对于传感器i，采用Holt指数平滑模型对其测量值序列进行预测，给定测量值

其平滑值可根据下式计算：

其中，

表示

的平滑值；

是线性增长因子，代表平滑后的趋势；α和β是平滑系数，取值范围均为(0，1)；Holt模型的初始条件如下：

步骤1.3：在获得测量数据的平滑值以及线性增长因子后，利用该结果进行预测，预测值

为：

其中l代表预测步长，τ为设备传感器信号的采样间隔。

作为优选，步骤2包含以下子步骤：

步骤2.1：运行参数关联性分析分为时间序列分段拟合、三元组表示和关联性计算三个阶段；时间序列分段拟合阶段中，对于固定长度为L的数据窗口，记为窗口W_j，运行参数Xⁱ，i＝1，2，...，N，在该窗口内的L个数据为

其中j为该窗口起点，对应的采样时刻为t_j；若假设该窗口内其中一个时间段内的m个数据

能够由一条线段进行拟合，对于其中的测量值

其在拟合线段中所对应的值为

则该线段的拟合误差ERR计算公式为：

在对于以j为起点的窗口数据进行分段线性化时，从

开始对其进行线段拟合；在数据分段拟合的过程按以下步骤进行，其中记设定的拟合误差阈值为ω_E：

步骤(1)：设置拟合起点为

拟合终点为

其中，对于以j为起点的窗口W_j，初始的拟合起点为

步骤(2)：对于数据

采用直线回归的方式进行线段拟合，由此获得相应的线段数据

根据所述的拟合误差ERR计算公式计算其拟合误差ERR；

步骤(3)：若ERR≤ω_E，则令h＝h+1，并重复步骤(2)；若ERR＞ω_E，则保存当前拟合终点(即数据分割点)，重置h＝2，并回到步骤1，以当前拟合终点为新的拟合起点进行下一部分数据的拟合；

重复以上步骤(1)～(3)直至该窗口W_j内所有数据均已线段化，即获得了分段线性化后的数据

步骤2.2：在线段三元组表示阶段，采用以下三元组的形式来描述一条线段s_j，

其中，k_j表示线段斜率，

表示该线段在时间轴上的长度，r_j表示该线段数值的增长率，即对于线段数据

对于窗口W_j数据线段化后的新序列

得到其三元组序列表示形式为{s₁，s₂，...，s_n}，其中n表示该窗口内数据分段后的线段数量；

步骤2.3：在关联性计算阶段，对于设备运行过程中的两个运行参数V^A和运行参数V^B，首先需对线段化后的数据进行分割：在窗口W_j内，记参数V^A的分段点为

参数V^B的分段点为

其中n_A和n_B分别表示运行参数A和B的测量数据在该窗口内分段后的线段数；对参数V^A和V^B的分段点进行合并，去除重复项并进行从小到大排列，得到两个参数的分割点序列为

随后，根据该分割点序列以及三元组表示形式获得参数V^A和V^B新的三元组序列为

和

获得窗口W_j内两个参数V^A和V^B的三元组序列后，通过基于欧氏距离的关联性指标d^AB来计算该窗口内两个参数V^A和V^B的关联性：

式中：

为参数V^A第i条线段的斜率，

为参数V^B第i条线段的斜率，

为参数V^A第i条线段的数值增长率，

为参数V^B第i条线段的数值增长率。

作为优选，步骤3包含以下子步骤：

步骤3.1：构造关联性预测模型：设置预测步长为f，根据已知数据长度确定模型设计参数U和M使U+f+M-1＝窗口W_j的总个数，并构造以下矩阵：

其中，{d₁，d₂，...，d_U+f+M-1}表示参数V^A和V^B的关联性序列，d_j表示窗口W_j内两个参数V^A和V^B的关联性指标d^AB；

步骤3.2：对于每一关联性序列，使用其中U个关联性值预测f步长后的关联性值，构造关联性预测模型：

F_p＝D_pθ

其中，参数θ＝[θ₁，θ₂，...，θ_U]^T，可由偏最小二乘算法获得。

作为优选，步骤4包含以下子步骤：

在预测时，利用传感器新获得的数据构造新的矩阵：

随后，使用已构造关联性预测模型对关联性值进行f步预测，即

当

判断设备出现异常，其中d_normal为设备运行初期处于正常运行状态时参数V^A和V^B的关联性值，ω_p为关联性值相对于初始正常的漂移量阈值；若

则利用传感器获得的新数据重构模型以更新模型参数θ；

随着数据的更新不断预测一定预测步长的关联性值，从而预测设备异常工况发生时间。

本发明提出的基于运行参数关联性分析的工业过程异常工况预测方法，可用于具备多个传感器的复杂工业***。本发明从工业过程运行参数之间的关联性入手，基于运行参数的关联性分析进行异常工况预测。在单参数预测阶段，本发明根据已有传感器数据通过指数平滑方法对各个运行参数进行预测。在关联性分析阶段，本发明通过已知的各运行参数值以及参数预测值计算运行参数关联性，其中参数关联性由代表参数曲线的一系列指标的相似性表示。在关联性趋势预测阶段，本发明构造多元自回归模型对参数关联性进行预测。本发明提出的方法将运行参数关联性纳入考虑，能够获得更完备的设备异常信息以及更提前的预测结果。这将给后续的设备健康管理提供强有力的数据支撑，对于高可靠性的设备维护管理尤有价值，在实际工程应用方面具有广阔前景。

附图说明

图1汽轮机运行参数测量值与预测结果；

图2汽轮机真空A与其他参数关联性趋势预测结果与真值对比；

图3汽轮机异常发生时间预测结果。

具体实施方式

现结合附图对本发明的具体实施方式作进一步的说明，部分原理已在前面详细叙述，在此不再赘述。下面本例用一个基于汽轮机低真空保护跳机数据的真实案例来阐述具体操作步骤以及验证所提出方法的有效性。

该铣床数据记录了采用铣刀切削金属材料的运行退化过程。该汽轮机运行的初始工况为负荷250MW、凝汽器真空93kPa，以凝汽器真空值作为指示参数，真空A从第762个采样点开始指示异常，当真空值下降至81kPa时，该汽轮机跳机。工业过程异常工况预测方法包括以下步骤：

步骤1：采用Holt指数平滑模型，对工业过程各传感器所采集的测量值序列进行定步长预测。本步骤具体包含以下子步骤：

步骤1.1：针对具有多个传感器的工业设备，记传感器数量为N，当设备处于运行过程中，不断采集到表征设备运行状态的运行参数值即传感器数据，将各传感器测量序列记为

其中K表示序列长度，

表示传感器i在第k个采样时刻点的测量值；

步骤1.2：对于传感器i，采用Holt指数平滑模型对其测量值序列进行预测，给定测量值

其平滑值可根据下式计算：

其中，

表示

的平滑值；

是线性增长因子，代表平滑后的趋势；α和β是平滑系数，取值范围均为(0，1)；Holt模型的初始条件如下：

步骤1.3：在获得测量数据的平滑值以及线性增长因子后，利用该结果进行预测，预测值

为：

其中l代表预测步长，τ为设备传感器信号的采样间隔。在本例中，预设的预测步长为l＝15。

根据步骤1，对于每一运行参数测量序列，进行定步长预测，结果在图1给出，与此同时还给出了实际的状态监测测量序列。

步骤2：以滑动窗口的方式，构造以工业过程运行参数变化趋势为特征的三元组，对数据窗口内的测量值序列进行表示，并通过基于欧氏距离的关联性指标计算该窗口内任意两个运行参数的关联性。本步骤具体包含以下子步骤：

步骤2.1：运行参数关联性分析分为时间序列分段拟合、三元组表示和关联性计算三个阶段；时间序列分段拟合阶段中，对于固定长度为L的数据窗口，记为窗口W_j，在本例中，滑动窗口长度为100。运行参数Xⁱ，i＝1，2，...，N，在该窗口内的L个数据为

其中j为该窗口起点，对应的采样时刻为t_j；若假设该窗口内其中一个时间段内的m个数据

恰好能够由一条线段进行拟合，对于其中的测量值

其在拟合线段中所对应的值为

则该线段的拟合误差ERR计算公式为：

在对于以j为起点的窗口数据进行分段线性化时，从

开始对其进行线段拟合；在数据分段拟合的过程按以下步骤进行(其中记设定的拟合误差阈值为ω_E，本例中ω_E＝0.025)：

步骤(1)：设置拟合起点为

拟合终点为

其中，对于以j为起点的窗口W_j，初始的拟合起点为

步骤(2)：对于数据

采用直线回归的方式进行线段拟合，由此获得相应的线段数据

根据所述的拟合误差ERR计算公式计算其拟合误差ERR；

步骤(3)：若ERR≤ω_E，则令h＝h+1，并重复步骤(2)；若ERR＞ω_E，则保存当前拟合终点(即数据分割点)，重置h＝2，并回到步骤1，以当前拟合终点为新的拟合起点进行下一部分数据的拟合；

重复以上步骤(1)～(3)直至该窗口W_j内所有数据均已线段化，即获得了分段线性化后的数据

步骤2.2：在线段三元组表示阶段，采用以下三元组的形式来描述一条线段s_j，

其中，k_j表示线段斜率，

表示该线段在时间轴上的长度，r_j表示该线段数值的增长率，即对于线段数据

对于窗口W_j数据线段化后的新序列

得到其三元组序列表示形式为{s₁，s₂，...，s_n}，其中n表示该窗口内数据分段后的线段数量；

步骤2.3：在关联性计算阶段，对于设备运行过程中的两个运行参数V^A和运行参数V^B，首先需对线段化后的数据进行分割：以运行参数V^A和运行参数V^B为例，在窗口W_j内，记参数V^A的分段点为

参数V^B的分段点为

其中n_A和n_B分别表示运行参数A和B的测量数据在该窗口内分段后的线段数；对参数V^A和V^B的分段点进行合并，去除重复项并进行从小到大排列，得到两个参数的分割点序列为

随后，根据该分割点序列以及三元组表示形式获得参数V^A和V^B新的三元组序列为

和

获得窗口W_j内两个参数V^A和V^B的三元组序列后，通过基于欧氏距离的关联性指标d^AB来计算该窗口内两个参数V^A和V^B的关联性：

式中：

为参数V^A第i条线段的斜率，

为参数V^B第i条线段的斜率，

为参数V^A第i条线段的数值增长率，

为参数V^B第i条线段的数值增长率。

步骤3：根据已计算获得的关联性数据构造关联性预测模型，所述的关联性预测模型为多元自回归模型，并通过偏最小二乘算法估计模型参数。本步骤具体包含以下子步骤：

步骤3.1：构造关联性预测模型：设置预测步长为f，根据已知数据长度确定模型设计参数U和M使U+f+M-1＝窗口W_j的总个数，并构造以下矩阵：

其中，{d₁，d₂，...，d_U+f+M-1}表示参数V^A和V^B的关联性序列，d_j表示窗口W_j内两个参数V^A和V^B的关联性指标d^AB；

步骤3.2：对于每一关联性序列，使用其中U个关联性值预测f步长后的关联性值，构造关联性预测模型：

F_p＝D_pθ

其中，参数θ＝[θ₁，θ₂，...，θ_U]^T，可由偏最小二乘算法获得。

步骤4：对于新获得数据，根据关联性预测模型进行设备异常工况的预测，并在预测到异常工况发生前不断更新关联性预测模型以及模型参数。本步骤具体包含以下子步骤：

在预测时，利用传感器新获得的数据构造新的矩阵：

随后，使用已构造关联性预测模型对关联性值进行f步预测，即

当

判断设备出现异常，其中d_normal为设备运行初期处于正常运行状态时参数V^A和V^B的关联性值，ω_p为关联性值相对于初始正常的漂移量阈值；若

则利用传感器获得的新数据重构模型以更新模型参数θ；

随着数据的更新不断预测一定预测步长的关联性值，从而预测设备异常工况发生时间。在本例中，预测步长f＝10，阈值ω_p＝0.1。

根据步骤2-步骤4，进行关联性计算以及关联性变化趋势预测，结果如图2所示。随后，根据设置的失效阈值ω_p，进行异常工况预测，结果如图3所示，与此同时还给出了使用实际数据获得的关联性序列根据设定的阈值检测得到的失效时间。

图1给出了汽轮机运行参数测量值与预测结果。从图中可知，利用指数平滑预测便可对单个参数获得较好的预测效果。图2给出了汽轮机真空A与其他参数关联性趋势预测结果与真值对比。由图可见，得到了良好的预测效果。图3给出了汽轮机异常发生时间预测结果。图3横坐标的1-6分别代表真空A与其余6个参数的关联性，纵坐标表示预测的异常工况发生时间。由图3可知，利用几组参数关联性的预测都获得了比较准确的预测结果，即可以提前一定步长预测到异常工况的发生。另外，通过对原始数据的分析，已知真空A从第762个采样点开始指示异常，加速下降，而通过对关联性变化趋势的分析，从图3可以看出，最早预测到异常工况发生的时间为第590个采样点(ID6)，即更早捕捉到了异常的发生。更重要的是，通过关联性变化趋势，找到最早发生异常所对应的参数，有助于判断异常发生的位置，对于排除异常起到重要的作用。

Claims (1)

1.一种基于运行参数关联性分析的工业过程异常工况预测方法，其特征在于，包括以下步骤：

步骤1：采用Holt指数平滑模型，对工业过程各传感器所采集的测量值序列进行定步长预测；

步骤2：以滑动窗口的方式，构造以工业过程运行参数变化趋势为特征的三元组，对数据窗口内的测量值序列进行表示，并通过基于欧氏距离的关联性指标计算该窗口内任意两个运行参数的关联性；

步骤3：根据已计算获得的关联性数据构造关联性预测模型，所述的关联性预测模型为多元自回归模型，并通过偏最小二乘算法估计模型参数；

步骤4：对于新获得数据，根据关联性预测模型进行设备异常工况的预测，并在预测到异常工况发生前不断更新关联性预测模型以及模型参数；

所述步骤1包含以下子步骤：

步骤1.1：针对具有多个传感器的工业设备，记传感器数量为N，当设备处于运行过程中，不断采集到表征设备运行状态的运行参数值即传感器数据，将各传感器测量序列记为

其中K表示序列长度，

表示传感器i在第k个采样时刻点的测量值；

步骤1.2：对于传感器i，采用Holt指数平滑模型对其测量值序列进行预测，给定测量值

其平滑值可根据下式计算：

其中，

表示

的平滑值；

是线性增长因子，代表平滑后的趋势；α和β是平滑系数，取值范围均为(0，1)；Holt模型的初始条件如下：

步骤1.3：在获得测量数据的平滑值以及线性增长因子后，利用该结果进行预测，预测值

为：

其中l代表预测步长，τ为设备传感器信号的采样间隔；

步骤2包含以下子步骤：

步骤2.1：运行参数关联性分析分为时间序列分段拟合、三元组表示和关联性计算三个阶段；时间序列分段拟合阶段中，对于固定长度为L的数据窗口，记为窗口W_j，运行参数Xⁱ，i＝1，2，...，N，在该窗口内的L个数据为

其中j为该窗口起点，对应的采样时刻为t_j；若假设该窗口内其中一个时间段内的m个数据

能够由一条线段进行拟合，对于其中的测量值

其在拟合线段中所对应的值为

则该线段的拟合误差ERR计算公式为：

在对于以j为起点的窗口数据进行分段线性化时，从

开始对其进行线段拟合；在数据分段拟合的过程按以下步骤进行，其中记设定的拟合误差阈值为ω_E：

步骤(1)：设置拟合起点为

拟合终点为

h＝2；其中，对于以j为起点的窗口W_j，初始的拟合起点为

步骤(2)：对于数据

采用直线回归的方式进行线段拟合，由此获得相应的线段数据

根据所述的拟合误差ERR计算公式计算其拟合误差ERR；

步骤(3)：若ERR≤ω_E，则令h＝h+1，并重复步骤(2)；若ERR＞ω_E，则保存当前拟合终点，重置h＝2，并回到步骤(1)，以当前拟合终点为新的拟合起点进行下一部分数据的拟合；

重复以上步骤(1)～(3)直至该窗口W_j内所有数据均已线段化，即获得了分段线性化后的数据

步骤2.2：在线段三元组表示阶段，采用以下三元组的形式来描述一条线段s_j，

其中，k_j表示线段斜率，

表示该线段在时间轴上的长度，r_j表示该线段数值的增长率，即对于线段数据

对于窗口W_j数据线段化后的新序列

得到其三元组序列表示形式为{s₁，s₂，...，s_n}，其中n表示该窗口内数据分段后的线段数量；

步骤2.3：在关联性计算阶段，对于设备运行过程中的两个运行参数V^A和运行参数V^B，首先需对线段化后的数据进行分割：在窗口W_j内，记参数V^A的分段点为

参数V^B的分段点为

其中n_A和n_B分别表示运行参数V^A和V^B的测量数据在该窗口内分段后的线段数；对参数V^A和V^B的分段点进行合并，去除重复项并进行从小到大排列，得到两个参数的分割点序列为

随后，根据该分割点序列以及三元组表示形式获得参数V^A和V^B新的三元组序列为

和

获得窗口W_j内两个参数V^A和V^B的三元组序列后，通过基于欧氏距离的关联性指标d^AB来计算该窗口内两个参数V^A和V^B的关联性：

式中：

为参数V^A第i条线段的斜率，

为参数V^B第i条线段的斜率，

为参数V^A第i条线段的数值增长率，

为参数V^B第i条线段的数值增长率；

步骤3包含以下子步骤：

步骤3.1：构造关联性预测模型：设置预测步长为f，根据已知数据长度确定模型设计参数U和M使U+f+M-1＝窗口W_j的总个数，并构造以下矩阵：

其中，{d₁，d₂，...，d_U+f+M-1}表示参数V^A和V^B的关联性序列，d_j表示窗口W_j内两个参数V^A和V^B的关联性指标d^AB；

步骤3.2：对于每一关联性序列，使用其中U个关联性值预测f步长后的关联性值，构造关联性预测模型：

F_p＝D_pθ

其中，参数θ＝[θ₁，θ₂，...，θ_U]^T，可由偏最小二乘算法获得；

步骤4包含以下子步骤：

在预测时，利用传感器新获得的数据构造新的矩阵：

随后，使用已构造关联性预测模型对关联性值进行f步预测，即

当

判断设备出现异常，其中d_normal为设备运行初期处于正常运行状态时参数V^A和V^B的关联性值，ω_p为关联性值相对于初始正常的漂移量阈值；若

则利用传感器获得的新数据重构模型以更新模型参数θ；

随着数据的更新不断预测一定预测步长的关联性值，从而预测设备异常工况发生时间。

Images