一种复杂非平稳过程的质量相关故障检测方法

摘要

本发明公开了一种复杂非平稳过程的质量相关故障检测方法，利用ADF检验将过程平稳变量和非平稳变量分开，然后利用协整模型建立非平稳变量的线性组合，提取平稳的残差序列，将非平稳变量残差序列和平稳变量数据结合，最后基于改进的偏最小二乘模型的质量相关故障检测，通过将平稳变量和非平稳变量区分开来，将非平稳变量进行协整分析，提取没有信息丢失的平稳残差序列，有效避免了故障信号被非平稳信号的变化趋势所掩盖。将平稳的残差序列与平稳变量结合建立改进的偏最小二乘模型，通过改进的偏最小二乘模型参数计算相应统计量，进行质量相关故障检测，是对复杂非平稳过程质量相关故障检测的一种有效工具，并且具有较强鲁棒性质。

说明书

技术领域

本发明涉及故障检测技术领域，具体涉及一种复杂非平稳过程的质量相关故障检测方法。

背景技术

现有的装备测试及工业过程监控方法主要分为单变量过程监控和多变量过程监控两大类。单变量过程监控因为其监控的变量的单一性，在大规模复杂特性的工业设备生产过程中监控效率十分有限。现代工业设备的生产无论是军用类型还是民用类型都是多变量、多输出且数据采集量巨大的一系列复杂过程。而多变量过程监控方法在处理大数据复杂特性上具有更高的精度和更快的速度，在处理各种干扰以及噪声的影响时具有更强的鲁棒性。因此，多变量过程监控方法逐渐成为装备测试及工业过程生产普遍采用的监控方法。

在实践的生产过程中，由于市场需求的变化、生产计划的调整、外部扰动、设备老化等原因具有明显的非平稳特性。故障信号很容易被非平稳变量的趋势所掩盖，这将导致非平稳过程中故障很难被检测到，对于产品质量相关故障的检测、定位和排除产生了极大的干扰，降低了工业生产的生产效率和产品质量。因此，需要设计一种去除非平稳变量信号的故障检测方法用来提前去除这些随机非平稳信息。这种利用协整分析技术将过程中非平稳变量线性组合，提取平稳的残差序列，并将其与平稳变量结合用来建模。利用这种协整分析的去非平稳的技术，实现了对产品质量相关信息的实时估计，提高了产品质量预测的准确性和相关故障的检测率。

发明内容

针对现有技术中的上述不足，本发明提供了一种复杂非平稳过程的质量相关故障检测方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种复杂非平稳过程的质量相关故障检测方法，包括如下步骤：

S1、利用ADF检验获取检测过程中平稳变量和非平稳变量；

S2、利用协整模型建立所述非平稳变量的线性组合，提取非平稳变量的平稳残差序列矩阵；

S3、将所述步骤S2提取的平稳残差序列矩阵与所述步骤S1中的平稳变量进行融合，得到输入数据矩阵；

S4、利用原始质量数据和所述步骤S3得到的输入数据矩阵建立改进的偏最小二乘模型；

S5、利用所建立的偏最小二乘模型对质量相关故障进行检测。

上述方案的有益效果是，利用预先考虑平稳\非平稳的复杂过程的质量相关故障检测方法，对复杂工业过程和装备运行能够实现实时监测，对质量相关故障进行报警，提高复杂系统的可靠性和安全性，减少重大事故的发生。

进一步的，所述S1中的平稳变量和非平稳变量表达式为：

其中，N为样本数，X

上述进一步方案的有益效果是：将复杂的过程变量分为较为清晰的平稳变量和非平稳变量两组，有效消除混合变量的影响。

进一步的，所述步骤S2具体为：

S21、对步骤S1获取的非平稳变量建立协整模型；

S22、利用协整模型清除非平稳变量中所有非平稳特征趋势，得到非平稳变量的平稳特征信息；

S23、将步骤S22中得到的平稳特征信息进行线性组合，得到非平稳变量的平稳残差序列矩阵。

上述进一步方案的有益效果是：对于非平稳过程，故障信号极易被非平稳信号的变化的趋势所掩盖，如果忽略该非平稳的特征，所建立的模型将携带非平稳的随机趋势，降低了模型的精度，无法满足对故障检测精度的要求。对于选择出的非平稳变量进行协整分析，协整理论能够把时间序列中短期和长期模型的优点结合起来，非平稳变量可以表示为非平稳随机趋势和平稳随机趋势的和。并且各个随机变量之间的随机趋势具有相同的长期趋势特性，是可以消除的，在协整过程中通过平稳线性组合将清除掉输入数据集中所有的非平稳趋势，留下一个等价于该过程长期动态平衡的残差。

进一步的，所述步骤S21中的协整模型表示为：

其中，γ

上述进一步方案的有益效果是：各个随机变量之间的随机趋势具有相同的长期趋势特性，是可以消除的，通过协整模型可以清除掉输入数据集中所有的非平稳趋势，留下一个等价于该过程长期动态平稳的残差序列。该平稳残差序列能够代表原始非平稳变量的所有信息，本质上没有信息丢失。

进一步的，所述步骤S2中的平稳残差序列矩阵表示为：

其中，γ

进一步的，所述步骤S3中输入数据矩阵表示为：

X

其中，X

上述进一步方案的有益效果是：通过数据融合，X

进一步的，所述步骤S4具体为：

S41、令测试数据X＝X

其中，回归系数矩阵

S42、对MM

其中，

S43、将测试数据X向

S44、建立偏最小二乘模型，表示为：

其中，

上述进一步方案的有益效果是：建立的改进的偏最小二乘模型采用的是正交分解，可以有效的将数据投影到质量相关空间和质量无关空间，提高了质量相关故障的监测性能。

进一步的，所述步骤S5具体为：

S51、将新采集的检测过程中的样本数据向所述步骤S4中的偏最小二乘模型进行投影，得到投影后的质量相关数据和质量非相关数据，并计算其所对应的正交投影子空间的得分；

S52、分别利用步骤S51得到的质量相关数据和质量非相关数据的正交空间得分在两个正交投影子空间

S53、通过χ

S54、根据质量相关故障诊断逻辑判定与原始质量数据相关的故障以及非相关的故障上述进一步方案的有益效果是：将采集的数据投影到两个正交空间，分别计算在两个空间的得分，通过与相应控制限进行比较判断故障是否发生。

进一步的所述步骤S52中构造的质量相关统计量和质量非相关统计量表示为：

其中，

所述步骤S53中控制限的计算表达式为：

其中，

上述进一步方案的有益效果是：计算新采集样本的统计量，并根据正常样本获得相应的控制限。

进一步的，所述步骤S54中的诊断逻辑为：

若

若

附图说明

图1为本发明复杂非平稳过程的质量相关故障检测方法流程示意图。

图2为本发明实施例在故障IDV(4)下的检测结果示意图。

图3为本发明实施例在故障IDV(12)下的检测结果示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

一种复杂非平稳过程的质量相关故障检测方法，如图1所示，包括如下步骤：

S1、利用ADF检验获取检测过程中平稳变量和非平稳变量；

在本实施例里，给出一组正常工况下输入数据X＝[x

其中，N样本数，X

S2、利用协整模型建立所述非平稳变量的线性组合，提取非平稳变量的平稳残差序列矩阵；

对于步骤S1获取的的非平稳变量

其中，

协整向量的个数为R可以通过Johansen检验来确定。协整模型β∈R

S3、将所述平稳变量残差序列与所述步骤S1中的平稳变量进行融合，得到输入数据矩阵；

将γ

X

其中输入数据矩阵是针对工业过程中各类传感器采集的数据所组成的输入数据矩阵，该矩阵包含输入数据矩阵的所有平稳特征信息，有效避免了非平稳特征随机趋势对模型的影响。

S4、利用原始质量数据和所述步骤S3得到的输入数据矩阵建立改进的偏最小二乘模型。

在本实施例里，步骤S4具体包括如下步骤：

S41、令测试数据X＝X

回归系数矩阵

S42、对MM

其中，

S43、将测试数据X向

S44、建立偏最小二乘模型

利用平稳残差序列和平稳变量结合的数据X

其中，

S5、利用所建立的偏最小二乘模型对质量相关故障进行检测。

在本实施例里，步骤S5具体包括：

S51、将新采集的检测过程中的样本数据向所述步骤S4中的偏最小二乘模型进行投影，得到投影后的质量相关数据和质量非相关数据，并计算其所对应的正交投影子空间得分，具体而言，

当有一组新采集的样本数据x

式中：

S52、分别利用步骤S51得到的质量相关数据和质量非相关数据的正交空间得分在两个正交投影子空间

在两个正交子投影子空间中分别用

此处N即为样本数。

S53、通过χ

式中：

S54、根据质量相关故障诊断逻辑判定与原始质量数据相关的故障以及非相关的故障，具体而言，根据与输出Y的相关性，质量相关故障检测的诊断逻辑如下：

(1)若

(2)若

实验验证

下面通过搭建一个基于实际工业过程的仿真实例田纳西伊士曼(TennesseeEastman)过程(TE过程)所得到一组监测数据来验证本专利提出的方法。TE过程的整个过程系统共有12个操纵变量和41个测量变量，41个测量变量中又含有22个连续变量和19个成分变量。另外，该过程还包含了20种扰动，其中15种扰动为已知的故障分别是IDV(1)～IDV(15)。在这15种已知的故障中又分为两种类型的故障：一种是质量相关故障如IDV(1)、IDV(2)、IDV(5)、IDV(6)、IDV(7)、IDV(8)、IDV(10)、IDV(12)、IDV(13)，一种是质量无关故障如IDV(3)、IDV(4)、IDV(9)、IDV(11)、IDV(15)。这些样本中正常数据集包含480个样本，每个故障数据集包含960个样本。

在测试中，如图2所示，显示了所提方法对故障IDV(4)的检测结果，红色虚线为控制限，蓝色实线为统计量，统计量超过控制限时发生报警。由图可得，在故障IDV(4)下，该方法的质量相关统计指标具有较少的误报警，质量无关统计指标具有高的报警率，因此，可得出IDV(4)为质量无关故障，证明专利所提方法的有效性和准确性。表1列出了该方法在质量无关故障下质量相关统计指标的FAR。

表1所提方法在质量无关故障下质量相关统计指标的FAR(％)

由表1可知，所提方法对其它各类质量无关故障进行检测时具有很好的性能。当故障IDV(4)发生时，CA-MPLS具有很低的FAR，并对其他质量无关故障都有较低FAR，总体上对质量无关故障的误报有精确的检测精度。综上，当过程数据中含有质量无关故障时，本专利所提方法对质量无关故障的检测效果明显。

如图3所示，显示了所提方法对故障IDV(12)的检测结果，由图可得，该方法中质量相关统计量与质量无关统计量对故障IDV(12)都能够检测到，并且质量相关统计指标的FDR>99％。即针对该故障，该方法的质量相关统计指标具有高的FDR，且

表2所提方法在质量相关故障下质量相关统计指标的FDR(％)

由表2可知，CA-MPLS在检测质量相关故障时FDR值都很高，证明过程数据中含有这些故障时专利所提方法都可以准确的检测出来，对于质量相关故障有较好的检测效果。

结合本专利搭建的仿真平台所得的实验结果，对于将XMEAS(35)作为输出，得出下列结果：CA-MPLS显著提高了具有非平稳特性系统的质量相关故障检测性能，使得质量相关故障检测更加可靠，减少工业中因故障造成的安全问题与产品质量问题。同时该方法又考虑质量无关故障，大大降低了工业设备生产中的误报率。根据上述的实验测量结果分析验证了本文方法的有效性

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。