技术领域
本发明属于化工生产过程的故障监测技术领域,具体涉及一种CSTR过程中故障相关分布式正交邻域保持嵌入模型的构建与应用,用以提高化工过程的故障监测准确率。
背景技术
连续搅拌釜式反应器(Continuous Stirred Tank Reactor,CSTR)在化学工业生产过程设备中占有很重要的地位,是发生化学反应中使用比较广泛的反应器。不论是在医学制药还是合成食品,以及半导体制造行业都有很广泛的应用。随着化学工业生产设备、原料的多样化及工艺流程的日益复杂化,各类生产安全事故也进入易发多发的高峰期;因此,CSTR过程中的故障监控也变得越来越重要。
以主成分分析为代表的多元统计过程监控(MSPM)技术,以其较强的提取有用信息的能力,已成为化工过程故障监控的研究热点。现代日益复杂的化工过程一般包含大量的生产设备和控制系统,其测量数据具有高维、强相关性,尤其是变量间普遍存在强非线性。MSPM技术并不能有效解释数据中的非线性波动,因此不能用来监控非线性化工过程。
由于CSTR过程变量之间的相关性很复杂,现有的故障监测模型通常是一个全局模型,将其作为整个过程建立全局监控模型是难以完全适应的,因其忽略了理化数据的局部行为,并且监视结果通常难以解释。
发明内容
本发明要解决的技术问题是提供一种基于故障相关分布式正交邻域保持嵌入(Fault-relevant distributed orthogonal neighborhood preserving embedding,FDONPE)模型的CSTR过程故障监控方法,以解决现有全局模型忽略理化参数或数据的局部行为所造成的故障检测率较低的技术问题。
为解决上述技术问题,本发明人基于本领域的长期实践研究,基于ONPE方法建立FDONPE模型,并将其应用到CSTR过程故障监控中,以保持过程物理参数或数据的局部特性,并能更好地提取各物理参数的分布特征和本质信息。
其中,邻域正交保持嵌(Orthogonal neighborhood preserving embedding,ONPE)算法(Liu X M,Yin J W,Feng Z L,et al.Orthogonal Neighborhood PreservingEmbedding for Face Recognition[C]//Proceedings of 2007IEEE InternationalConference on Image,ICIP 2007.New York,2007:133-136)是一种基于几何思想来描述数据特征的维度约简算法,适用于非线性系统。
本发明所采用的具体术方案如下:
设计一种CSTR过程中故障相关分布式正交邻域保持嵌入模型的构建方法,包括以下步骤:
(1)获取CSTR过程中m个物理量监测点监测的物理量的n个历史正常样本,并构建矩阵X′∈R
(2)应用信噪比算法挑选出与每个故障相关的变量,构成B个子块[X
(3)基于ONPE模型获得每个子块X
其中,a
(4)应用核密度估计函数计算每个子块X
进一步的,在所述步骤(2)中,对历史正常数据划分子块X
考虑一组故障数据集
SNR为一个系统中信号s与噪声e的比例,每一个变量i(i=1,…,m
其中
进一步的,在所述步骤(3)中,基于ONPE模型计算出每个子块X
(3a)构建邻域集S
(3b)确定权重系数矩阵W
由最小化函数
其中
(3c)建立目标函数J(y
其中y
(3d)计算投影矩阵
将
J(A
其中M
在式(6)的基础上加入约束条件:A
X
求解公式(7)得:
1)a
2)a
Q
式中,G
由(8)式求出所有的a
另一面,设计了一种基于FDONPE的CSTR过程故障监控方法,包括如下步骤:
①在线采集化工生产过程中m个物理量监测点的物理量的n1个测量样本,并构建测量矩阵X′
②使用ONPE模型的故障监测方法计算每一个子块X
SPE
其中,Λ
③基于贝叶斯推理构造第i个测量样本x
N和F分别代表正常状况和故障状况,统计量
统计量
P
其中
④将贝叶斯统计量
与现有技术相比,本发明的主要有益技术效果在于:
1.本发明所采用的基于FDONPE模型的CSTR过程监控方法与传统的基于ONPE模型的CSTR过程监控方法相比,考虑了过程数据的局部信息,通过SNR算法把过程物理量分成多个子物理量模块,然后每个子物理量空间采用ONPE方法建模,最后采用贝叶斯推理构造新的统计量,实现CSTR过程数据的监控;该方法充分利用了块内局部理化数据信息和整体全局理化数据信息,提高了故障监测的准确率。
2.本发明利用故障信息,选择与故障强相关的变量集,并用于模型开发,建立监控模型,可以提取更有意义的方向进行监测,从而提高故障检测的准确率。
3.ONPE模型对非线性数据有一定的处理能力,而本发明改进的FDONPE模型能有效解释理化数据中的非线性波动;因此,基于非线性算法建立的过程监控模型也可以判断在线理化数据是否真正偏离正常工况。
附图说明
图1为本发明基于FDONPE模型的CSTR过程监控方法的离线建模过程的流程图。
图2为本发明基于FDONPE模型的CSTR过程监控方法的在线监测过程的流程图。
图3为本发明实施例中使用ONPE方法监测CSTR过程中故障10的监测结果,图中横坐标为样本,纵坐标为统计量。
图4为本发明实施例中使用FDONPE方法监测CSTR过程中故障10的监测结果,图中横坐标为样本,纵坐标为统计量。
图5为本发明实施例中使用FDONPE方法监测CSTR过程中故障10的10个子块监测结果,图中横坐标为样本,纵坐标为统计量。
具体实施方式
下面结合实施例来说明本发明的具体实施方式,但以下实施例只是用来详细说明本发明,并不以任何方式限制本发明的范围。
以下实施例是基于CSTR系统来说明的,数据通过matlab的Simulink模块搭建的CSTR模型产生,该仿真系统可以设置10种基本故障所对应的多个物理测量点位置以及所需要监测的7种物理量,每一种故障都是从第201个测验样本引入。收集1200个测量数据,其中前200个为正常数据,后1000个数据为故障数据。在实施例一中以故障10反应器溶质浓度Q
实施例一、基于FDONPE模型的CSTR过程监控方法,用于处理CSTR过程中在多个物理量监测点获取的物理量数据,以监控出发生故障的物理量数据,便于生产维护人员及早发现生产中的问题并做出相应处理。CSTR过程的物理量监测点及对应监测的物理量参见表1。
该方法主要包括以下步骤:
步骤(一):建立离线FDONPE模型
(1)获取CSTR过程中m个物理量监测点监测的物理量的n个历史正常样本,并构建矩阵X′∈R
(2)应用信噪比(Signal-to-Noise Ratio,SNR)算法挑选出与每个故障相关的变量,构成10个子块,即[X
根据故障数据划分子块[X
采集一组历史故障数据集
SNR是指一个系统中信号s与噪声e的比例,每一个变量i的SNR
其中
SNR
CSTR过程10种故障都按上述方法找出前2个最大值对应的变量作为该故障的相关变量,并组成一个子块。
考虑到数据的全局特性,把全局变量X看成是一个新块。因此所提算法包含11个子块[X
(3)应用ONPE模型的故障监测方法,获得每个子块X
其中,a
应用ONPE模型,计算出每个子块X
(3a)构建邻域集S
针对某个正常历史样本点x
(3b)确定权重系数矩阵W
首先,通过最小化函数
其中
(3c)建立目标函数J(y
其中y
(3d)计算投影矩阵A
将
J(A
其中M
在式(20)的基础上加入约束条件:A
X
求解公式(21)可得:
1)a
2)a
Q
式中:G
通过(22)式我们可以求出所有的a
(4)应用核密度估计函数(Kernel Density Estimation,KDE)计算每个子块X
步骤(二):在线过程监控
(5)在线采集CSTR过程中7个物理量监测点的所述物理量的1200个测量样本,并构建测量矩阵X′
(6)根据公式(3)-(4),计算每一个子块X
(7)根据公式(5)-(8)根据贝叶斯推理构造第i个测量样本x
(8)将贝叶斯统计量
具体的监测结果见图3和表4所示。
通过以上两个步骤循环进行即可得到化工生产过程故障的监测结果。
故障10是由容质浓度Q
从故障10的检测结果可以看出,通过N
通过上述分析,在故障10中,FDONPE方法优于ONPE方法,可以为监测人员提供更精确的信息。
实验例:采用CSTR模型模拟了一种基于分布式ONPE模型(FDONPE)的化工生产过程故障监测方法具体应用,表1列出了CSTR过程的7个物理量监测点采集的物理量,表2列出了与这7个物理量监测点采集的物理量数据高度相关的10种故障,表3列出了通过SNR算法对过程物理量的分块结果,表4为分别采用PCA、NMF、NPE、ONPE、FDONPE对该10种故障监测时的故障监测准确率(
表1 CSTR系统物理量信息
表2 CSTR系统1O种过程故障
表3故障的变量选择结果
表4为化工生产过程的10种故障在CSTR仿真系统中使用PCA过程监控方法、NPE过程监控方法、ONPE过程监控方法和FDONPE过程监控方法的故障监测结果。从中可以看出,与NPE过程监控方法或ONPE过程监控方法相比,FDONPE过程监控方法在大多数故障模式下显示出最高的故障检测率,并且在故障8,9和10的模式下具有更好的性能。
表4故障检测准确率比较
上面结合实施例对本发明作了详细的说明;但是,所属技术领域的技术人员能够理解,在不脱离本发明构思的前提下,还可以对上述实施例中的各个具体参数进行变更,或者对相关技术手段进行等同替代,从而形成多个具体的实施例,均为本发明的常见变化范围,在此不再逐一详述。
机译: 学习模型构建装置,故障预测系统,学习模型构建方法和学习模型构建程序
机译: 学习模型构建设备,故障预测系统,学习模型构建方法和学习模型构建程序
机译: 故障检测模型构建装置,故障检测模型构建方法和程序