一种流程工业系统的过程故障分析装置及方法

摘要

本发明涉及一种基于复杂网络理论的流程工业系统故障分析装置及方法，该装置包括系统结构信息库、人机交互模块、过程数据管理模块、系统网络特性分析模块及过程故障分析模块。采用本发明的基于复杂网络理论的流程工业系统过程故障分析装置及方法能够辨识过程系统的关键部位，减少过程监控变量，解决了过去依赖人的知识或经验选择监测点位的缺陷；同时，充分利用流程工业过程系统中实时数据信息，使得过程故障的监测更加及时和准确；再者，由于利用了系统领域知识，提高了传统PCA监测方法的故障识别和分离能力。

说明书

技术领域

本发明涉及基于复杂网络理论的流程工业系统，特别涉及一种流程工业系统的过程故障分析装置与方法。

背景技术

在流程工业中，由于工业过程规模的不断扩大、复杂性的日益增加，生产系统的安全性和可靠性要求也日益提高，生产过程安全、可靠、无故障地稳定运行，已成为现代工业的一个重要任务。为此，在系统运行过程中，需要及时检测到故障或异常的发生，并故障类型进行判断和故障源定位，消除不利影响因素。传统的过程异常监测方法可以分为三类：基于解析的、基于知识的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定性模型建立的，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系统无论是整个工厂还是单独一个生产单元，都是一个大系统，获取严格的数学模型和详细的系统知识比较困难，因此，基于解析的和基于知识的方法受到限制；并且，典型的现代过程中存在大量的仪器仪表，大系统会产生大量的数据，所以基于数据驱动的分析方法在流程工业中的异常监测、故障诊断等方面得到了广泛的应用。

然而，在实际应用中，基于数据驱动的方法存在的首要问题就是数据监测点的选择问题，即对系统中存在的成百上千的监测点位，哪些点位对过程监测是必要的和重要的，实际上，技术人员通常只关注部分经验认识中重要监测点位；再者，由于基于数据驱动的方法没有利用到过程系统领域知识，其异常的识别和分离能力将会受到限制(虽然知道某个变量产生异常，但很难确定其根本原因)；另外，对大型复杂系统，如果对全部过程变量进行监控，无疑将会产生更多的噪声信息，加重故障监测和分析的计算负担。因此，如何选择反映过程系统的监测变量、减少监测变量数目、提高过程的故障的识别与分离能力对于保证流程工业系统的安全、平稳运行具有重要应用价值。

实际上，流程工业中的生产系统通过各种介质(流体、电力、信号)传递，将离散的设备装置连接成一个相互关联、高度耦合的复杂机电系统网络。系统中的数据变量之间存在相关性，具有强耦合性，在整体联系上呈现出复杂的网络形式。因此，本发明的依托的主要技术思路为：利用众多变量具有网络形式的特点，分析变量在网络具有的拓扑特性，并以此为依据对重要的过程变量进行选择；在此基础上，结合传统的数据驱动方法，如主元分析方法(PCA)，对系统过程故障进行监测和识别。基于以上技术思路，申请人提出的一种基于复杂网络理论的流程工业系统故障分析装置及方法，可以解决复杂过程系统故障分析中面临的上述问题，减少和优化过程监测变量数目，提高系统故障的监测、分离能力。

发明内容

本发明的目的在于提供一种基于复杂网络理论的流程工业系统过程故障分析装置及方法，以便能对大型流程工业系统存在的众多变量进行选择，能够识别影响系统故障监测的关键重要变量，减少过程监控变量数目；同时，充分利用流程工业过程系统中实时数据信息，结合系统结构关联信息、故障模式信息等，提高异常或故障的分离识别能力。

为了实现上述任务，本发明采取如下的技术解决方案：

一种基于复杂网络理论的流程工业系统过程故障分析装置，该装置包括：

(1)人机交互模块，用于实现用户与过程故障分析系统的交互，输入被分析对象的相关信息，包括工艺流程信息、过程测点变量信息、变量间联系信息以及分析结果等，并且能够修改系统结构信息库、过程数据以及故障分析流程。

(2)过程数据管理模块，用于对系统运行过程中产生的实时数据进行存贮和管理，包括DCS控制系统数据和人工点检数据等。

(3)系统结构信息库，用于存储、管理系统节点结构信息及故障模式的数据结构模型相关信息；

(4)系统网络特性分析模块，用于对过程系统进行网络构建、并对系统进行网络特性分析。

(5)过程故障分析模块，执行过程系统故障分析，并对分析的工作流程进行管理；

本发明过程数据管理模块、系统结构信息库、系统网络特性分析模块分别与过程故障分析模块连接，人机交互模块分别与过程故障分析模块、系统结构信息库连接。

所述的系统结构信息库中的信息主要包括：描述系统网络模型的近邻矩阵、网络拓扑特性以及故障模式中的故障原因、关联节点、关联节点征兆、严重程度和维护措施信息，以及故障模式信息采用以关联节点征兆为引导词的存贮方式。

上述基于复杂网络理论的流程工业系统过程故障分析方法，具体包括以下步骤：

步骤1：流程工业系统网络特性分析。依据系统工业流程信息、过程测点变量信息等对过程系统进行结构分解，以监测变量节点网络形式描述系统，通过对系统进行网络特性分析，依据网络特性找出对系统动态行为有重要影响的关键变量节点集合；关键变量节点的功能表现在：a、如果对这些关键节点进行状态监测，则所获取信息能够反映系统整体状态；b，如果关键节点处于期望状态，则系统整体也处于期望状态。获取系统结构信息的数据结构模型，该数据结构模型包括节点描述信息、故障模式信息等，并存储在系统结构信息库中。

步骤2：基于关键节点集的系统主元分析(PCA)模型构建及监测。利用过程系统平稳运行中的数据及分析获取的关键节点集构建系统数据主元分析(PCA)监测模型，利用过程运行的实时数据对系统过程故障进行监测。

步骤3：获取变量节点集(Fault Sets-FS)及其定性故障描述信息；如果发生故障，则获取具有故障征兆的变量节点集合(Fault Sets-FS)及其定性故障描述信息；

步骤4：基于关联节点征兆与观测征兆的故障原因分析；在获取故障征兆后，对比已经建立的故障模式即可进行故障原因分析，确定维护措施。

步骤5：将分析结果通过人机交互模块显示出来。

所述的流程工业系统网络特性分析，包括如下步骤：

(a)依据系统工业流程信息、过程测点变量信息对过程系统进行结构分解，以监测变量节点网络形式描述系统，并采用近邻矩阵形式存储于系统结构信息库中；

(b)通过对近邻矩阵按照网络特性定义进行计算，得到集群系数、特征路径长度、节点度数、节点介数网络特性值，并存储于系统结构信息库中，为从网络角度认识系统及后续分析提供依据；

(c)依据网络特性确定节点重要度w_i，获取反映系统整体行为的关键变量节点集，此信息存储于系统结构信息库中；

(d)故障模式信息获取；根据历史故障数据建立系统故障模式信息，包括故障原因、关联节点、关联节点征兆、严重程度和维护措施。

所述的基于关键节点集的系统主元分析PCA监测方法，首先，利用稳态无故障状况下的过程数据及获取的关键变量集，构造正常状况下的主元模型，即构造出主元得分矩阵和主元负荷矩阵，E为残差矩阵；然后，对于一个新的样本，构造相应的统计量T²和Q及其相应控制限阀值T_α²和Q_α监测系统过程行为。

基于关联节点征兆与观测征兆的故障原因分析方法，依据故障模式中的关联节点征兆信息，确定初始原因集合，如果存在一种原因解释全部观测到的故障征兆，则该原因即为最终分析结果，并说明系统可能发生单一故障；如果不能全部解释观测征兆，则记录解释征兆数nES最大的原因作为最终可能原因之一；对剩余的原因集合重复以上步骤，直到所得原因集能够全部解释观测的故障征兆。

采用本发明的基于复杂网络理论的流程工业系统过程故障分析装置及方法能够辨识过程系统的关键部位，减少过程监控变量，解决了过去依赖人的知识或经验选择监测点位的缺陷；同时，充分利用流程工业过程系统中实时数据信息，使得过程故障的监测更加及时和准确；再者，由于利用了系统领域知识，提高了传统PCA监测方法的故障识别和分离能力。

附图说明

图1为本发明所述装置的结构示意图。

图2为系统结构信息库的数据结构模型图；

图3为本发明的工作流程图；

图4为故障分析示意图；

图5为本发明实施例子系统流程图；

图6为该系统网络模型图(部分)；

以下结合附图对本发明作进一步的详细说明。

具体实施方式

首先对本发明中涉及的复杂网络理论、网络拓扑特性、节点关联强度等概念做以下简单介绍和定义：

主元分析(principal component analysis)：简称PCA，是过程监测中常用的一种技术，主元分析方法的基本思想就是在保持尽可能多的过程信息变化量的情况下，对由一个相互之间存在相关性的变量所组成的数集进行降维以获得相互之间互不相关的特征信号(主元信号)的过程，即用较少维的主元信号表征过程数据矩阵的动态变化。它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Q，确定其控制限，进而实现过程进行过程监控。在监测到系统异常时，通过构建贡献图或者标准残差识别故障变量，通过对比已有的故障模式进行故障诊断。

传统的PCA方法在实际应用中存在以下不足：a，监测性能依赖于过程数据的质量，过多的变量不但增加计算负担，也容易引入噪声信息，需要对过程变量进行选择；b，故障识别和诊断能力弱，贡献图或者标准残差虽然可以给出与故障密切相关的变量，但是变化大的变量通常并不是故障原因，因此还需要技术人员的专业知识。本发明将在复杂网络理论的基础上，提出一套装置及方法克服以上问题。

复杂网络理论(complex network theory)：现实世界中存在的大量的复杂系统，如果忽略系统中真实个体的具体物理意义，将其抽象成一个节点v，个体之间联系用点之间的连边e表示，则复杂系统就可以用网络模型来描述。从形式上看，网络实际上包含一系列点、边的图G，记为G＝(V，E，N)，其中N是节点个数。在此基础上兴起的复杂网络理论是一种探索复杂系统普遍特性的科学理论，它认为系统拓扑特性对系统的行为有着重要的影响，如人群网中的疾病传播、电网中故障转播等。目前，复杂网络理论在多种学科领域中得到了迅猛发展。

网络特性：用来刻画复杂网络结构的统计特性，如度、特征路径长度、聚类系数、介数等，本发明装置系统主要用到相关特性及定义如下：

度：节点度数是指连接这个节点的边数，记为k。对所有节点的度数求平均值，即得到网络的平均度数，记为K。

距离：表示连接任意2个相通节点i、j的最短路径所经过边的数目，记为D(i，j)。

特征路径长度：网络所有节点对之间距离的平均值。它是一个从全局角度出发描述任意节点对间距离的特征参数

集群系数：聚类系数是衡量近邻节点联系紧密度的特征参数，整个网络的聚类系数表达式如下，其中：式中，n是网络节点数，k_i表示节点i的度数(连接边数)，t_i表示节点i的邻近节点之间所存在的连接边数。

$C=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}\frac{{2t}_i}{k_i(k_i-1)}---\left(1\right)$

介数：节点介数是指网络中经过该节点的最短路径的数目，记为节点介数S。

下面，参照附图对本发明的具体实施方式加以说明

(1)本发明所述装置的结构组成

参照图1所示，工业系统过程故障分析装置包括计算机和设置在该计算机上的故障分析系统，故障分析系统包括：人机交互模块、过程故障分析模块、过程数据管理模块、系统网络特性分析模块及系统结构信息库。可以采用计算机存储器对系统结构信息、过程数据和故障分析流程进行存储，并采用输入输出接口连接键盘、外部存储器和显示器，分析过程中生成的结构网络模型、网络特性信息、故障节点集(Fault Sets-FS)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。

人机交互模块：用于实现用户和过程故障分析系统的交互，包括被分析对象的相关信息输入，包括工艺流程信息、过程测点变量信息、变量间联系信息，以及分析结果的输出显示等，并且能够修改系统结构信息库、过程数据以及故障分析流程。

系统网络特性分析模块：此模块是本发明装置的重要部分对过程系统进行网络构建、并对系统网络特性进行计算和分析，识别反映系统整体行为的关键变量节点集(Crucial Variable Sets-CVS)，作为后续过程故障监测分析的分析对象。

过程故障分析模块：此模块是本发明装置的核心部分，在系统过程数据和系统网络特性分析的基础上，执行过程系统故障监测和原因分析，并对安全分析的工作流程进行管理；

系统结构信息库：通过关系数据库对系统结构信息、故障模式信息、网络特性信息等进行存贮和管理。

过程数据管理模块，用于对系统运行过程中产生的实时数据进行存贮和管理，包括DC S控制系统数据和人工点检数据等。

(2)系统结构信息库的数据结构模型的构建

参照图2所示，该模型存储于系统信息库中，信息主要包括描述系统网络模型的近邻矩阵、网络拓扑特性、故障模式等。近邻矩阵用来描述系统网络，记为{a_ij}，节点i、j存在连接关系时，a_ij值为1；否则为0。网络拓扑特性有度特性、介数特性、集群系数等。

故障模式信息中主要包括故障原因、关联节点、关联节点征兆、严重程度和维护措施信息。故障模式发生的各种原因，包括直接导致故障或引起使设备缺陷发展为故障的物理或化学过程、操作失误等，阀门粘合、控制器失效、泵泄漏、流量扰动等。关联节点是指某故障发生后可能影响到的变量节点。关联节点征兆是指某故障发生后变量节点的征兆，由于在流程工业系统中，监测的变量在设计时都有上、下阀值，因此可以用偏离阀值的定性描述来确定关联节点特征。如当泵发生泄漏故障时，将会使其他变量节点T(温度)超过上阀值、P(压力)降低，则可用T(+)、P(—)表示。关联节点特征也可以通过历史故障数据训练获取(如累计和控制图CUSUM等)，也可以根据工业知识及操作人员经验来确定。显然，这种基于系统知识的定性描述比基于数据的定量分析更简单易行。为便于后续故障分析，本发明装置涉及的故障模式模式信息采用以关联节点征兆为引导词的存贮方式，如：

C₀(+)：FEED1—CCH，V1—FCH，Bump1—EF；

此故障模式表达信息是：变量C0发生正偏离(征兆)；原因可能是进料1(FEED1)成分增大(CH)、或者阀1(V1)失效并处于高位粘合故障(FH)、泵1(Bump1)发生故障(EF)；

严重程度指故障模式所产生后果的严重程度。维护措施指分析人员应指出并评价那些能够用来消除或减轻故障发生概率及影响的措施，包括预防维护、维修和设计更改等。

(3)基于复杂网络理论的流程工业系统过程故障分析的工作流程

参照图3所示，基于复杂网络理论的流程工业系统过程故障分析包括如下步骤：

步骤1：流程工业系统网络特性分析，依据系统工业流程信息、过程测点变量信息等对过程系统进行结构分解，以监测变量节点网络形式描述系统，通过对系统进行网络特性分析，获取关键变量节点集合，获取系统结构信息的数据结构模型，该数据结构模型包括节点描述信息、故障模式信息等，并存储在系统结构信息库中。该步骤具体包括：

(a)依据系统工业流程信息、过程测点变量信息等对过程系统进行结构分解，以监测变量节点网络形式描述系统。变量节点i、j之间的连边表示它们存在影响关系，由于在此主要关注变量节点网络的拓扑特性，因此只需定性描述出变量之间是否存在联系。这一部分可以根据工艺流程图、系统操作手册及技术人员知识来建立。得到系统变量网络模型后，为便于后续分析，用近邻矩阵来描述，并存储于系统结构信息库中。

(b)变量节点网络特性分析；通过对近邻矩阵按照网络特性定义进行计算，可以得到集群系数、特征路径长度、节点度数、节点介数等网络特性值，并存储于系统结构信息库中。其中，集群系数、特征路径长度可以帮助我们认识网络的整体特性，如集群系数大、特征路径长度较小(相对于同节点数目的随机网络)，则说明网络具有小世界特性；而节点度数、节点介数等特性将是我们进行关键变量节点分析的依据。

(c)关键变量节点集合获取；对于一个复杂系统来说，各个变量之间存在复杂影响关系，传统的分析方法要么从严格的数学模型进行定量分析，要么从经验知识方面进行定性的分析，很少从系统网络特性角度对这种影响进行分析。本发明装置主要关注于网络的节点度数和节点介数两类特性。首先，判断网络是否具有小世界特性；然后，在具有小世界特性的网络中，网络节点的度数对变量间的联系起着重要的作用，某个节点的度数越大，它对应的联系路径就越多。同时考虑到小世界网络之所以具有独特的几何性质，是因为边的重连过程为网络引入了极少量长程连接(远边)的缘故。在复杂网络中，当某个节点具有长程连接时，其他节点对之间的最短路径通常会优先经过这类节点，即节点介数越高，该节点在网络中地位越重要。这两类因素综合考虑，定义w_i衡量关键变量节点：

$w_i=\frac{w_k{k}_i+w_s{S}_i{w}_i}{\max (w_k{k}_i+w_s{S}_i{w}_i)}---\left(2\right)$

其中，w_k、w_s分别对应于节点度数和节点介数的权重。将所有节点的w_i按大小排序，w_i大的即是识别的关键变量节点，所得到的变量节点集可以作为反映系统整体行为的关键变量节点集(Crucial Variable Sets-CVS)。此信息存储于系统结构信息库中。

(d)故障模式信息获取；根据历史故障数据建立系统故障模式信息，包括故障原因、关联节点、节点特征、严重程度和维护措施等。此处的关联节点即是(c)中的确定的关键变量节点集。

步骤2：基于主元分析(PCA)的过程监测；在获取关键变量节点集后，就可以通过监测这些变量来监测整个系统的行为。在此用主元分析法(PCA)对系统运行过程进行监测；

首先利用稳态无故障状况下的过程数据，构造正常状况下的主元模型；设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一段样本；对其进行标准化(均值为0，方差为1)得到X∈R^n×m，并对协方差矩阵X^TX/(n-1)进行奇异值分解得到：

$\bar{X}=\overline{X^{~}}+E=T_k{P}_k^T+E=\underset{i=1}{\overset{k}{\Sigma }}{t}_i{p}_i^T+E---\left(3\right)$

其中为X的估计值，T_k∈R^n×k和P_k∈R^m×k分别为主元得分矩阵和主元负荷矩阵，E为残差矩阵。

然后，对于一个新的样本x_new∈R^1×m，构造相应的统计量T²和Q及其相应控制限阀值T_α²和Q_α监测系统过程行为。例如统计量T²及其相应控制限阀值T_α²可由下式确定：

$T^2={\bar{x}}_{\mathrm{new}}^T{P}_k{D}_{\lambda }^{-1}{P}_k^T{\bar{x}}_{\mathrm{new}}---\left(4\right)$

$T_{\alpha }^2=\frac{k(n^2-1)}{n(n-k)}{F}_{\alpha }(k,n-k)---\left(5\right)$

其中D_λ＝diag(λ₁，λ₂…λ_k)为前k个主元的方差矩阵，F_α(k，n-k)为置信度为α，自由度分别为k和n-k的F分布的上限值，可查表获得。Q及其相应控制限阀值Q_α的构造不再详述，参见相关文献。对于某一时刻样本所得的T²和Q，如果T²<T_α²或者Q<Q_α，则说明过程有故障发生；反之，过程受控。

步骤3：如果发生故障，则获取具有故障征兆的关联节点集合(FaultSets-FS)及其定性故障描述信息；对于某一时刻样本，依据已知的变量上下限阀值(可以适当缩小上下限阀值)，如果是正偏移则该变量征兆取(+)，反之取(—)，如P_A(+)表示征兆为“压力变量P_A正偏移”，也可以通过单变量统计获取此征兆信息。同时，考虑到征兆的出现是一个时间序列事件，即有先后顺序，因此可以在监测到故障发生后一段时间内，多次获取故障征兆。

步骤4：基于关联节点征兆与观测征兆的故障原因分析；

在获取故障征兆后，对比已经建立的故障模式即可进行故障原因分析。

步骤5：分析结果及严重程度、维护措施显示。

(4)基于关联节点征兆与观测征兆的故障原因分析方法；

参照图4所示，在获取观测到的故障征兆后，依据故障模式中的关联节点征兆信息，确定初始原因集合；如果存在一种原因可以解释全部观测到的故障征兆，则该原因即为最终分析结果，并说明系统可能发生单一故障；如果不能全部解释观测征兆，则记录解释征兆数(nES)最大的原因作为最终可能原因之一；对剩余的原因集合重复以上分析，直到所得原因集能够全部解释观测的故障征兆。显然，本发明装置提供的方法可以对系统单故障、多重故障进行分析。

(5)参照图5所示，润滑油系统是主要为压缩机组工作时候提供润滑油供给，保证系统正常运行是。工作流程为：储存在油箱70.00内的N46防锈汽轮机油，经油泵70.41加压至1.6MPa，后经冷凝器E1冷却，过滤器F1过滤，通过自力式调节阀70.60将油压控制在0.95MPa，后分为两路。一路经送往汽轮机、压缩机、增速箱的各个轴承及盘车器作润滑用；一路送往汽轮机调节机构作调速液压油，各路回油汇合后返回油箱。

参照图6所示，该系统共有62个节点，限于篇幅，在此给出部分视图，其中圆圈中的文字变量标识及节点标号，如LT103a7中，LT103为变量标识，a7为网络节点标号，即第7个节点。表1为依据网络特性分析后按w_i值大小排序后前20个变量，以此作为获取的关键变量集(CVS)；表2为构建的故障模式模式信息中征兆与原因示例；

表1  按w_i值大小排序前20个系统节点

 

排序节点标号节点标识w_i节点描述1.27PI1112.0222润滑油压2.7LT1031.5048油箱液位3.60TI1011.4252油箱温度4.2670.611.2662自力式调节阀压力5.2070.601.2662自力式调节阀压力6.59TI1071.1798油温7.24FI1111.1252润滑油流量8.11PI1051.1233主泵出口压力9.14PI1090.9644370.34阀处油压10.15PI1040.89226备用泵出口压力11.18FI1040.86457备用泵油流量12.9FI1050.76457主油泵油流量13.21PI70090.7580670.09阀出压力14.5FI1060.71887事故油压15.45TIA76320.58004空压机前端轴瓦温度16.50TIA76350.56703增压机前端轴瓦温度17.47TIA76400.56269变速箱轴瓦温度18.29PI760810.52668空压机前端润滑油压19.34PI760880.51367增压机前端润滑油压20.31PI760840.5115变速箱润滑油压

表2  征兆与原因示例

 

变量征兆原因PI111(-)FI111—FCH，PI109—PCL，V70.61—EF；LT103(+)FI111—FCH，FI7009—FCH；V70.07—EF，V70.10-EF

在获取关键变量集及相关故障模式信息后，即可针对关键变量集利用基于数据的的主元分析(PCA)方法系统运行状况进行监测，发现异常(获取变量观测征兆)后对原因进行分析，最后由人机交互模块给出原因、维护措施等结果。

实际生产中的过程系统比较复杂、节点众多，因此可以先获取较多关键变量集，在此基础上利用技术人员的经验知识做进一步进行取舍；再者，在构造故障模式时，除了可以从维修手册、过程历史数据中获取，也取决于技术人员的对系统过程的分析能力，为了提高故障原因的全面性，在此对故障模式信息进行开放式管理，便于添加和修改。