一種工業(yè)過程故障檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及自動檢測技術(shù)領(lǐng)域，具體地說，設(shè)及一種工業(yè)過程故障檢測方法。
【背景技術(shù)】
[0002] 高爐煉鐵是現(xiàn)代鋼鐵生產(chǎn)中的重要環(huán)節(jié)。為了使高爐能夠安全高效運(yùn)行，對高爐 煉鐵過程的監(jiān)控及故障的檢測就顯得尤為重要。然而，由于高爐煉鐵系統(tǒng)十分復(fù)雜并且缺 乏直接測量，一般難W構(gòu)建精確的數(shù)學(xué)模型。
[0003] 目前現(xiàn)存的高爐診斷方法主要基于專家系統(tǒng)。然而，只有訓(xùn)練數(shù)據(jù)包含充分多的 歷史故障信息并且規(guī)則足夠詳盡時，專家系統(tǒng)才能達(dá)到預(yù)期效果。同時，由于原料限制等原 因，國內(nèi)高爐煉鐵過程中使用專家系統(tǒng)進(jìn)行過程監(jiān)控的比例仍然較低。

【發(fā)明內(nèi)容】

[0004] 為解決上述問題，本發(fā)明提供了 一種工業(yè)過程故障檢測方法，所述方法包括：
[0005] 獲取待檢測工業(yè)過程的運(yùn)行數(shù)據(jù)，并利用預(yù)設(shè)滑動時間窗口對所述運(yùn)行數(shù)據(jù)進(jìn)行 處理，得到不同窗口下的運(yùn)行數(shù)據(jù)矩陣；
[0006] 計(jì)算第1運(yùn)行數(shù)據(jù)矩陣Xi的協(xié)方差矩陣的特征值Λ 1和特征向量Pi，根據(jù)所述第1運(yùn) 行數(shù)據(jù)矩陣Xi的協(xié)方差矩陣的特征值A(chǔ)i和特征向量Pi，采用迭代的方式確定其它各個運(yùn)行 數(shù)據(jù)矩陣的協(xié)方差矩陣的特征值和特征向量；
[0007] 根據(jù)各個運(yùn)行數(shù)據(jù)矩陣的協(xié)方差矩陣的特征值和特征向量，計(jì)算各個運(yùn)行數(shù)據(jù)矩 陣的檢測指數(shù)，并將各個所述檢測指數(shù)分別與預(yù)設(shè)檢測指數(shù)闊值進(jìn)行比較，根據(jù)比較結(jié)果 判斷所述待檢測工業(yè)過程是否出現(xiàn)故障。
[000引根據(jù)本發(fā)明的一個實(shí)施例，計(jì)算第1運(yùn)行數(shù)據(jù)矩陣Xi的協(xié)方差矩陣的特征值Λ 1和 特征向量Pi的步驟包括：
[0009] 對所述第1運(yùn)行數(shù)據(jù)矩陣Xi進(jìn)行標(biāo)準(zhǔn)化處理，并計(jì)算標(biāo)準(zhǔn)化處理后的第1運(yùn)行數(shù)據(jù) 矩陣的協(xié)方差矩陣，得到第1協(xié)方差矩陣；
[0010] 對所述第1協(xié)方差矩陣進(jìn)行分解，得到所述第1協(xié)方差矩陣的特征值A(chǔ)1和特征向 量&。
[0011] 根據(jù)本發(fā)明的一個實(shí)施例，根據(jù)如下表達(dá)式計(jì)算所述第1協(xié)方差矩陣：
[0012]
[0013] 其中，Cl表示第1協(xié)方差矩陣，W表示預(yù)設(shè)滑動時間窗口的長度，《表示第1運(yùn)行數(shù) 據(jù)矩陣的標(biāo)準(zhǔn)化矩陣。
[0014] 根據(jù)本發(fā)明的一個實(shí)施例，根據(jù)如下表達(dá)式計(jì)算所述第1運(yùn)行數(shù)據(jù)矩陣Xi的協(xié)方 差矩陣的特征值Λ 1和特征向量Pi:
[0015] Ci = PiAiP/
[0016] 其中，C讀示第1協(xié)方差矩陣。
[0017] 根據(jù)本發(fā)明的一個實(shí)施例，采用迭代的方式確定其它各個運(yùn)行數(shù)據(jù)矩陣的協(xié)方差 矩陣的特征值和特征向量的步驟包括：
[0018] 對第k運(yùn)行數(shù)據(jù)矩陣Xk的協(xié)方差矩陣進(jìn)行兩次秩1變換，分別得到所述第k運(yùn)行數(shù) 據(jù)矩陣Xk的協(xié)方差矩陣經(jīng)過第一次秩1變換后的特征值Λ;,和特征向量巧,，W及經(jīng)過第二次 秩1變換后的特征值Λ自和特征向量聲;
[0019]根據(jù)兩次秩1變換所得到的特征向量計(jì)算第k+蠟行數(shù)據(jù)矩陣Xk+i的協(xié)方差矩陣的 特征向量Pk+i，根據(jù)第k運(yùn)行數(shù)據(jù)矩陣Xk+i的協(xié)方差矩陣經(jīng)過第二次秩1變換后的特征值A(chǔ)t。 計(jì)算第k+1運(yùn)行數(shù)據(jù)矩陣Xk+i的協(xié)方差矩陣的特征值A(chǔ)k+i。
[0020]根據(jù)本發(fā)明的一個實(shí)施例，根據(jù)如下表達(dá)式計(jì)算第k+1運(yùn)行數(shù)據(jù)矩陣Xk+i的協(xié)方差 矩陣的特征值Λ k+i和特征向量Pk+i:
[0023] 根據(jù)本發(fā)明的一個實(shí)施例，計(jì)算各個運(yùn)行數(shù)據(jù)矩陣的檢測指數(shù)的步驟包括：
[0024] 根據(jù)第k運(yùn)行數(shù)據(jù)矩陣Xk的協(xié)方差矩陣Ck的特征值A(chǔ)k和特征向量Pk，對所述第k運(yùn) 行數(shù)據(jù)矩陣Xk進(jìn)行變換，得到對應(yīng)于所述第k運(yùn)行數(shù)據(jù)矩陣Xk的變元化；
[0025] 計(jì)算所述變元化的各個統(tǒng)計(jì)特征值，并根據(jù)所述各個統(tǒng)計(jì)特征值得到所述變元化 的統(tǒng)計(jì)特性Sk;
[0026] 根據(jù)統(tǒng)計(jì)特性Sk計(jì)算第k運(yùn)行數(shù)據(jù)矩陣Xk的檢測指數(shù)Dk。
[0027] 根據(jù)本發(fā)明的一個實(shí)施例，根據(jù)如下表達(dá)式計(jì)算各個運(yùn)行數(shù)據(jù)矩陣的變元：
[002引 Tk = XkPk
[0029] 其中，化和Pk分別表示第k運(yùn)行數(shù)據(jù)矩陣Xk的變元和協(xié)方差矩陣Ck的特征向量。
[0030] 根據(jù)本發(fā)明的一個實(shí)施例，變元的統(tǒng)計(jì)特征值包括:一階統(tǒng)計(jì)量、二階統(tǒng)計(jì)量和高 階統(tǒng)計(jì)量，其中，根據(jù)如下表達(dá)式計(jì)算統(tǒng)計(jì)特性Sk:
[0031]
[0032] 其中，Wk和Ik分別表示第k運(yùn)行數(shù)據(jù)矩陣Xk的一階統(tǒng)計(jì)量和二階統(tǒng)計(jì)量，Qk表示 第k運(yùn)行數(shù)據(jù)矩陣Xk的高階統(tǒng)計(jì)量。
[0033] 根據(jù)本發(fā)明的一個實(shí)施例，根據(jù)如下表達(dá)式計(jì)算檢測指數(shù)化：
[0034] Dk=||(Sk-So)C-i||p
[0035] 其中，So表示正常工況下統(tǒng)計(jì)特性的樣本均值，C表示統(tǒng)計(jì)量樣本標(biāo)準(zhǔn)差構(gòu)成的對 角陣，P表示范數(shù)類型。
[0036] 從上述描述中可W看出，本發(fā)明所提供的過程異常狀態(tài)檢測方法采用了遞推變元 分析的方式來確定過程的異常狀態(tài)。由于遞推變元統(tǒng)計(jì)分析算法對過程數(shù)據(jù)的微小變化十 分敏感，因此本實(shí)施例所提供的方法可W有效檢測出微小故障，從而實(shí)現(xiàn)對高爐異常爐況 的檢測。
[0037] 首先，與基于專家系統(tǒng)的高爐異常檢測方法相比，本發(fā)明所提出的過程異常狀態(tài) 檢測方法不需要?dú)v史故障信息，并且避免了冗雜的規(guī)則訓(xùn)練過程。因此本發(fā)明也就更易于 實(shí)現(xiàn)且更為高效。
[0038] 其次，與傳統(tǒng)的多元統(tǒng)計(jì)過程監(jiān)控方法相比，本發(fā)明提出的方法利用了樣本之間 的信息，采用滑動時間窗口并在窗口內(nèi)分析數(shù)據(jù)的統(tǒng)計(jì)特性，在一定程度上避免了單點(diǎn)監(jiān) 控的多元統(tǒng)計(jì)方法對微小故障檢測的漏報(bào)問題。
[0039] 最后，在算法復(fù)雜度方面，與傳統(tǒng)的基于QR分解的特征值分解方法比，本發(fā)明所采 用的遞推變元統(tǒng)計(jì)分析方法利用兩次秩1變換進(jìn)行特征值和特征向量的迭代計(jì)算，降低了 算法的復(fù)雜度，提高了算法的效率。
[0040] 本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且，部分地從說明書中變 得顯而易見，或者通過實(shí)施本發(fā)明而了解。本發(fā)明的目的和其它優(yōu)點(diǎn)可通過在說明書、權(quán)利 要求書W及附圖中所特別指出的結(jié)構(gòu)來實(shí)現(xiàn)和獲得。
【附圖說明】
[0041] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn) 有技術(shù)描述中所需要的附圖做簡單的介紹：
[0042] 圖1是根據(jù)本發(fā)明一個實(shí)施例的確定控制限的流程圖；
[0043] 圖2是根據(jù)本發(fā)明一個實(shí)施例的在線檢測的流程圖；
[0044] 圖3是根據(jù)本發(fā)明一個實(shí)施例的利用現(xiàn)有基于SPE曲線進(jìn)行檢測的PCA方法進(jìn)行爐 況檢測的過程監(jiān)控圖；
[0045] 圖4是根據(jù)本發(fā)明一個實(shí)施例的利用現(xiàn)有基于T2曲線進(jìn)行檢測的PCA方法進(jìn)行爐 況檢測的過程監(jiān)控圖；
[0046] 圖5是根據(jù)本發(fā)明一個實(shí)施例的利用基于本方法的過程異常檢測方法進(jìn)行爐況檢 測的過程監(jiān)控圖。
【具體實(shí)施方式】
[0047] W下將結(jié)合附圖及實(shí)施例來詳細(xì)說明本發(fā)明的實(shí)施方式，借此對本發(fā)明如何應(yīng)用 技術(shù)手段來解決技術(shù)問題，并達(dá)成技術(shù)效果的實(shí)現(xiàn)過程能充分理解并據(jù)W實(shí)施。需要說明 的是，只要不構(gòu)成沖突，本發(fā)明中的各個實(shí)施例W及各實(shí)施例中的各個特征可W相互結(jié)合， 所形成的技術(shù)方案均在本發(fā)明的保護(hù)范圍之內(nèi)。
[0048] 同時，在W下說明中，出于解釋的目的而闡述了許多具體細(xì)節(jié)，W提供對本發(fā)明實(shí) 施例的徹底理解。然而，對本領(lǐng)域的技術(shù)人員來說顯而易見的是，本發(fā)明可W不用運(yùn)里的具 體細(xì)節(jié)或者所描述的特定方式來實(shí)施。
[0049] 另外，在附圖的流程圖示出的步驟可W在諸如一組計(jì)算機(jī)可執(zhí)行指令的計(jì)算機(jī)系 統(tǒng)中執(zhí)行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可不同于此處 的順序執(zhí)行所示出或描述的步驟。
[0050] 為了充分利用高爐數(shù)據(jù)的信息，一些數(shù)據(jù)驅(qū)動的故障診斷方法被應(yīng)用于高爐煉鐵 過程監(jiān)控中，運(yùn)些方法包括支持向量機(jī)（S叩pod Vector Machine)方法和神經(jīng)網(wǎng)絡(luò) (Neural Networks)方法。近年來，也出現(xiàn)了一些利用基于多元統(tǒng)計(jì)分析(Multivariate Statistical Analysis)來對高爐煉鐵過程進(jìn)行監(jiān)控的故障診斷方法，例如主元分析 (Principal Component Analysis)等方法。
[0