基于数据驱动的调节阀故障诊断方法研究

摘要

过程控制是工业自动化技术的一个最重要的分支，调节阀是过程控制系统最重要的终端部件，也是过程工业故障的主要来源。对于拥有成千上万台调节阀的现代复杂过程工业系统，某一调节阀发生故障就可能影响整个生产线的正常运行，甚至导致灾难性事故。
　　为保障调节阀的安全性与可靠性，现行主要维护方式是预防性定期检修，造成“维修过剩”问题，致使维修费用过高、可靠性降低、故障率上升。另一方面，随着分布式控制系统(Distributed Control System，DCS)和计算机技术在过程控制中的广泛应用，大量包含运行状态信息的数据被采集并存储，但是这些数据并没有被有效地利用，出现了所谓“数据丰富、信息匾乏”的现象。因此，借鉴机器学习、模式识别、信号处理和数据挖掘等学科领域的优秀方法，开展基于数据驱动的调节阀故障诊断方法的研究具有现实的理论意义和应用价值。
　　在国家高技术研究发展计划项目(2008AA04Z130)、高等学校博士学科点专项科研基金项目(20110131110042)以及国家自然科学基金(51305234)和滨化集团等的资助下，本文在分析了过程控制调节阀系统的特点及调节阀故障诊断方法研究现状的基础上，提出了利用最小二乘支持向量机(Least Square Support Vector Machine，LS-SVM)对调节阀进行故障检测和分类的研究方向，主要开展了如下研究工作:
　　调节阀故障模拟试验:基于数据驱动的故障诊断系统以数据样本为研究基础，为获得调节阀各类工况的故障样本，本文首先参考滨化集团氯碱工业中某调节阀的作业工况，搭建了调节阀模拟故障试验平台，模拟了前法兰泄漏、后法兰泄漏、阀盖泄漏和卡堵4类故障，其中，每类泄漏又根据程度不同定性的分为2种，卡堵按照卡堵率不同分为4种，外加正常状态，共计11种工况;采集了各类工况的数据样本，试验数据表明故障样本具有可预测性和可分性。
　　调节阀LS-SVM预测模型及其参数优化方法研究:建立一个精准的数学模型是基于模型的故障诊断方法的核心问题，但调节阀因具有结构复杂、非线性和时变性等特点，机理模型并不适用，所以本文利用LS-SVM回归建立调节阀流量和阀后压力的“黑箱”预测模型，分析了不同输入参数组合时的预测精度，分别确定了流量和阀后压力预测时的最优输入特征向量;利用调节阀实际生产数据研究了LS-SVM参数惩罚因子C和核函数宽度σ对预测性能的影响，提出一种基于用果蝇优化算法的LS-SVM参数优化方法，与粒子群优化算法和网格搜索法相比，果蝇优化方法具有相当的预测精度，但在计算速度上具有绝对优势，更适合于调节阀的在线预测或故障诊断。
　　调节阀LS-SVM与Hammerste in集成预测模型及其去噪方法研究:用于精密控制的调节阀对故障预测模型提出了更高的精度要求，在调节阀LS-SVM回归模型的基础上，提出了LS-SVM与Hammerstein辨识集成的预测模型，利用LS-SVM方法求解Hammerstein模型中的非线性模块及相关参数;和LS-SVM回归模型相比，集成预测模型大大提高了预测精度，将所建模型与SVM模型、BP神经网络模型进行了对比，结果表明集成预测模型的精度最高、用时最少，在小样本问题的处理上，支持向量机的性能明显优于BP神经网络;分析了集成预测模型对噪声的敏感性，结果表明当信噪比小于40dB时，模型对噪声较敏感，噪声鲁棒性差，利用小波去噪方法进行去噪处理，进一步提高了所建模型的预测精度，有效提高了其噪声鲁棒性。
　　基于残差控制图的故障检测方法研究:参照质量管理控制图方法提出残差控制图的概念，以预测百分误差为残差、根据3σ原则设置正常状态的残差阈值;分析了正常状态、泄漏与卡堵等11种工况下流量和阀后压力预测残差的分布规律，利用残差控制图对各类故障进行检测，结果表明，除前法兰泄漏（程度1与程度2）和阀盖泄漏（程度1）3种故障外，其余故障均有大于90％的测试样本被正确检测;针对残差控制图对上述3种故障检测正确率低的问题，参照质量控制图对异常模式的定义，进一步设计了更为严格的调节阀故障检测规则库，大幅提高了故障检测正确率。
　　故障分类样本异常数据清洗方法研究:分析了异常样本对LS-SVM分类结果的影响，根据异常样本在多次LS-SVM分类中错分率更高的特点，提出了基于LS-SVM分类的有监督异常数据清洗方法;根据异常样本与正常样本相比具有更大的局部离群因子的特点，提出了基于马氏距离的局部离群因子的无监督异常数据清洗方法;利用“一对一”LS-SVM多分类器对调节阀的故障样本进行了分类试验，结果表明所提方法能够以较高的正确率对测试故障样本进行分类。
　　基于滑动窗口技术的调节阀故障诊断系统的实现:综合前面各章所提出的理论和方法，将基于LS-SVM回归的故障检测和基于其分类的故障分离相结合，利用滑动窗口技术实现调节阀的在线故障诊断，对11种工况的样本进行了验证，获得了满意的准确率。本文的研究结果对推动基于数据驱动的调节阀在线智能诊断的发展具有重要的理论意义和工程实践价值。

目录

声明

摘要

第1章 绪论

1．1 课题研究目的与意义

1．2 基于数据驱动的故障诊断方法概况

1．2．1 故障诊断主要方法

1．2．2 基于数据驱动的故障诊断方法

1．2．3 基于支持向量机的故障诊断方法研究概况

1．3 调节阀故障诊断研究综述

1．3．1 调节阀常见故障类型

1．3．2 调节阀故障诊断方法国内外研究概况

1．3．3 基于数据驱动的调节阀故障诊断的关键问题及拟解决方法

1．4 论文的主要内容与体系结构

第2章 调节阀故障诊断方法理论基础

2．1 统计学习基本理论

2．2 支持向量机分类

2．2．1 支持向量机二分类

2．2．2 常用支持向量机多分类方法

2．3 支持向量机回归

2．4 最小二乘支持向量机

2．5 调节阀流体动力学模型

2．6 本章小结

第3章 调节阀故障模拟试验

3．1 故障类型设置

3．2 试验系统设计

3．2．1 调节阀采样参数的选择

3．2．2 试验平台气路设计

3．2．3 试验平台电气回路

3．2．4 数据采集与诊断软件系统设计

3．3 故障模拟试验方法

3．3．1 泄漏故障模拟

3．3．2 卡堵故障模拟

3．3．3 故障状态下故障特征与输入参数的关系

3．4 本章小结

第4章 调节阀LS-SVM回归模型及其参数优化方法研究

4．1基于 LS-SVM回归的调节阀预测模型

4．1．1 调节阀LS-SVM模型

4．1．2 调节阕LS-SVM模型最优输入特征向量优选试验

4．2基于果蝇算法的LS-SVM参数优化方法

4．2．1 LS-SVM参数对预测性能的影响

4．2．2 果蝇优化算法基本原理

4．2．3 基于果蝇优化算法的Ls．sVM参数优化步骤

4．3 果蝇优化算法在调节阀压力预测中的应用

4．3．1 试验数据样本

4．3．2 试验结果

4．4 本章小结

第5章 调节阀LS-SVM与Hammerstein集成预测模型

5．1 基于LS-SVM的Hammerstein辨识

5．1．1 Hammerstein模型基本结构

5．1．2 基于LS-SVM的非线性MISO Hammerstein模型

5．2 调节阀集成故障预测模型的建立与评估

5．2．1 建模过程

5．2．2 模型预测结果分析

5．2．3 与其他模型预测性能对比

5．3 预测模型小波去噪处理

5．3．1 调节阀集成预测模型噪声敏感性分析

5．3．2 小波去噪基本原理

5．3．3 小波去嗓试验结果

5．4 本章小结

第6章 基于残差控制图的调节阀故障检测方法

6．1 各类故障状态预测模型输出

6．2 基于残差控制图的故障检测方法

6．2．1 残差控制图

6．2．2 残差控制图故障检测应用

6．3 基于残差控制图的故障检测规则库

6．4 本章小结

第7章 调节阀故障分离及故障诊断系统实现

7．1 样本异常数据清洗方法

7．1．1 异常样本对LS-SVM分类的影响

7．1．2 基于LS-SVM分类的异常数据清洗方法

7．1．3 基于改进局部离群因子的异常数据清洗方法

7．2 调节阀故障分类异常数据清洗的应用

7．2．1 调节阀异常数据清洗流程

7．2．2 基于LS-SVM分类的参照集异常数据清洗

7．2．3 基于MDLOF的训练集与测试集异常数据清洗

7．3 基于滑动窗口技术的调节阀综合故障诊断系统

7．3．1 滑动窗口技术简介

7．3．2 基于滑动窗口的调节阀故障诊断流程

7．3．3 应用结果及分析

7．4 本章小结

结论与展望

附录

参考文献

致谢

攻读博士期间发表的论文及科研情况