一种基于耦合关系的流程工业生产系统数据监测方法

摘要

本发明公开了一种基于耦合关系的流程工业生产系统数据监测方法，包括获取集散控制系统从生产现场采集的流程工业生产系统监测数据，并且对监测数据进行标准化处理；通过改进符号传递熵刻画系统内监测数据之间的耦合关系，确定耦合关系强度和耦合关系方向；耦合关系异常监测，确定耦合关系异常点对应的监测数据点；局部异常点监测，基于密度的局部异常点监测方法，获取监测数据异常点的准确位置。解决了流程工业生产系统DCS采集数据质量监测的问题，以流程工业生产系统现场监测数据为对象，以生产系统存在的固有耦合约束关系为基础，提出基于耦合关系异常监测和局部异常监测的流程工业生产系统数据监测方法，做到及时预警，更有效的避免事故风险。

权利要求

1.一种基于耦合关系的流程工业生产系统数据监测方法，其特征在于，包括以下步骤：步骤S1，获取集散控制系统从生产现场采集的流程工业生产系统监测数据，并且对监测数据进行标准化处理；

步骤S2，通过改进符号传递熵刻画系统内监测数据之间的耦合关系，确定耦合关系强度和耦合关系方向；具体的，基于有限穿越和有限跨越水平可视图符号传递熵算法以两个可视点之间跨过的数据点的个数作为符号化值，对符号化序列的传递熵计算公式为：其中τ为延迟时间， 为两个符号化序列在t时刻和t+τ时刻的联合概率， 和 为对应的两个条件概率分

布；

步骤S3，耦合关系异常监测，确定耦合关系异常点对应的监测数据点；

步骤S4，局部异常点监测，基于密度的局部异常点监测方法，获取监测数据异常点的准确位置；

所述步骤S2中确定耦合关系强度和耦合关系方向的具体过程是：步骤S2.1，计算采集到的监测时间序列的信噪比为 其中PS为降噪后监测数据的功率，PN为噪声序列功率；

步骤S2.2，根据监测时间序列的信噪比确定改进符号传递熵的参数，有限穿越值和有限跨越值，获得符号化序列，然后计算两个监测时间序列之间的耦合关系；

步骤S2.3，以监测时间序列的平均周期最大值的2倍作为符号传递熵的滑动窗口长度；

步骤S2.4，计算监测时间序列两两之间的耦合关系强度，确定耦合方向，并且建立耦合关系网络；

所述步骤S2.1中监测时间序列的信噪比的计算过程是，使用小波包对监测数据进行降噪，获得降噪后的监测数据，然后计算两组数据的功率，计算公式为： 其中N为时间序列长度，xi表示监测数据在i时刻的幅值；

所述步骤S3中耦合关系异常监测的具体过程是：建立生产系统正常运行状态下耦合关系强度的统计模型，确定T2和SPE的控制限，然后计算实时监测数据求得耦合关系强度核主成分分析统计量T2和SPE；然后监测实时监测数据求得的耦合关系强度是否超出上述控制限，如果超出，则监测数据间耦合关系发生异常，并且确定耦合关系异常点对应的监测数据点；

所述步骤S3中计算耦合关系强度核主成分分析统计量T2和SPE的具体过程是：计算耦合关系强度核矩阵，并且将核矩阵的特征值进行标准化处理；计算多个监测点样本在高维空间的投影；在系统运行正常状态下检测数据的耦合强度计算T2和SPE，其中T2统计指标控制限根据卡方分布F获得，SPE的控制限根据其近期分布获得；将监测点集合投影到上述高维空间中，并且计算得到数据的T2统计量和SPE统计量；

所述步骤S4中基于密度的局部异常点监测方法的具体过程是：步骤S4.1，计算监测点与异常检测数据之间的距离；

步骤S4.2，计算检测点的最大距离和局部最大密度；

步骤S4.3，计算监测点的局部离群因子。

说明书

一种基于耦合关系的流程工业生产系统数据监测方法

技术领域

[0001] 本发明属于数据质量监测技术领域；具体涉及一种基于耦合关系的流程工业生产系统数据监测方法。

背景技术

[0002] 以能源化工为代表的流程工业是现代制造业中不可或缺的一部分，流程工业生产系统是一类基于系统状态信息进行生产调度控制的分布式复杂制造系统，其生产过程耦合度高且系统庞大复杂，生产对象多属于高温、高压以及易燃、易爆等危险物质，而系统的正常运行依赖于集散控制系统(DCS)根据监测数据对系统的调度控制，生产系统一旦发生数据质量问题，轻则造成调度和控制失误，引起企业减产、能耗增加等，重则引起操作人员危险动作或系统连锁动作，导致系统跳车或停车，火灾等安全事故的发生，其生产过程对安全性的要求远远高于其他领域；针对数据质量问题，企业通常的做法是加强现场巡检、增加冗余仪表、定期校验仪表等，虽有一定效果，但耗费较大的人力、物力、财力，效率低。

[0003] 因此需要一种基于数据驱动的数据质量监测方法，流程工业生产系统运行过程中会积累大量的涵盖压力、温度、流量、液位、振动、转速以及开关、连锁、报警等信号的数据，然而如何利用这些数据监测DCS系统采集数据的质量，尚缺乏有效手段。传统的数据异常监测的方法有三类，即基于模型的、基于邻近度的和基于密度的方法。基于模型的分析方法建立监测数据的数学模型，然后监测数据是否符合模型来判断是否异常。基于邻近度的方法首先在数据之间定义邻近距离，异常点是远离大部分其他点的数据。基于密度的方法可以直接计算监测点的密度估计，将位于低密度区的监测点数据判定为异常数据。

[0004] 但是，流程工业生产系统在正常运行中常常要进行工况调整，传统的异常监测方法在工况改变时会误认为是数据产生异常；流程工业生产系统通过管道、能量、控制变量等将整个系统连接一起，按照既定的设备连接、生产工艺要求形成系统固有的耦合约束关系；所以将耦合关系异常监测和数据异常监测结合的方法可以有效解决传统方法存在的问题。
基于以上分析，本发明提出一种基于耦合关系的流程工业生产系统数据监测方法。

发明内容

[0005] 本发明提供了一种基于耦合关系的流程工业生产系统数据监测方法；解决了流程工业生产系统DCS采集数据质量监测的问题，以流程工业生产系统现场监测数据为对象，以生产系统存在的固有耦合约束关系为基础，提出基于耦合关系异常监测和局部异常监测的流程工业生产系统数据监测方法，做到及时预警，更有效的避免事故风险。

[0006] 本发明的技术方案是：一种基于耦合关系的流程工业生产系统数据监测方法，包括以下步骤：

[0007] 步骤S1，获取集散控制系统从生产现场采集的流程工业生产系统监测数据，并且对监测数据进行标准化处理；

[0008] 步骤S2，通过改进符号传递熵刻画系统内监测数据之间的耦合关系，确定耦合关系强度和耦合关系方向；具体的，基于有限穿越和有限跨越水平可视图符号传递熵算法以两个可视点之间跨过的数据点的个数作为符号化值，传递熵的计算公式为：

[0009]

[0010] 其中τ为延迟时间， 为两个符号化序列在t时刻和t+τ时刻的联合概率， 和 为对应的两个条件概率分布；

[0011] 步骤S3，耦合关系异常监测，确定耦合关系异常点对应的监测数据点；

[0012] 步骤S4，局部异常点监测，基于密度的局部异常点监测方法，获取监测数据异常点的准确位置。

[0013] 更进一步的，本发明的特点还在于：

[0014] 其中步骤2中确定耦合关系强度和耦合关系方向的具体过程是：

[0015] 步骤2.1，计算采集到的监测时间序列的信噪比为 其中PS为降噪后监测数据的功率，PN为噪声序列功率；

[0016] 步骤2.2，根据监测时间序列的信噪比确定改进符号传递熵的参数，有限穿越值和有限跨越值，获得符号化序列，然后计算两个监测时间序列之间的耦合关系；

[0017] 步骤2.3，以监测时间序列的平均周期最大值的2倍作为符号传递熵的滑动窗口长度；

[0018] 步骤2.4，计算监测时间序列两两之间的耦合关系强度，确定耦合方向，并且建立耦合关系网络。

[0019] 其中步骤2.1中监测时间序列的信噪比的计算过程是，使用小波包对监测数据进行降噪，获得降噪后的监测数据，然后计算两组数据的功率，计算公式为： 其中N为时间序列长度，xi表示监测数据在i时刻的幅值。

[0020] 其中步骤3中耦合关系异常监测的具体过程是：建立生产系统正常运行状态下耦合关系强度的统计模型，确定T2和SPE的控制限，然后计算实时监测数据求得耦合关系强度核主成分分析统计量T2和SPE；然后监测实时监测数据求得的耦合关系强度是否超出上述控制限，如果超出，则监测数据间耦合关系发生异常，并且确定耦合关系异常点对应的监测数据点。

[0021] 其中步骤S3中计算耦合关系强度核主成分分析统计量T2和SPE的具体过程是：计算耦合关系强度核矩阵，并且将核矩阵的特征值进行标准化处理；计算多个监测点样本在高维空间的投影；在系统运行正常状态下检测数据的耦合强度计算T2和SPE，其中T2统计指标控制限根据卡方分布F分布获得，SPE的控制限根据其近期分布获得；将监测点集合投影到上述高维空间中，并且计算得到数据的T2统计量和SPE统计量。

[0022] 其中步骤4中基于密度的局部异常点监测方法的具体过程是：步骤4.1，计算监测点与异常检测数据之间的距离；步骤4.2，计算检测点的最大距离和局部最大密度；步骤4.3，计算监测点的局部离群因子。

[0023] 与现有技术相比，本发明的有益效果是：该方法将耦合分析与基于密度的局部异常检测相结合，实现了对流程工业检测数据进行准确性的、实时的有效监测，并且能够及时准确的定位异常发生的位置，对DCS系统采集数据的可能为题实时做出预警预报，预防事故的发生，指导维修维护。

附图说明

[0024] 图1为本发明的流程示意图；

[0025] 图2为本发明的时间序列符号化方法说明图。

具体实施方式

[0026] 下面结合附图和具体实施例对本发明的技术方案进一步说明。

[0027] 本发明提供了一种基于耦合关系的流程工业生产系统数据监测方法，如图1所示，包括以下步骤：

[0028] 步骤S1，数据预处理；通过集散控制系统(DCS)从生产现场获取流程工业生产系统监测时间序列，并且对时间序列进行标准化处理。

[0029] 步骤S2，获取时间序列的耦合关系；采用改进符号传递熵刻画系统内监测时间序列之间的耦合关系，确定耦合关系强度和耦合关系方向；具体过程如下：

[0030] 步骤S2.1，计算监测时间序列的信噪比 其中PS为降噪后监测数据的功率，PN为噪声序列功率；具体首先使用小波包对监测数据进行降噪，获得降噪后的监测数据，然后通过公式 计算上述降噪后监测数据的功率和噪声序列功率，其中N为时间序列长度，xi表示监测数据在i时刻的幅值；

[0031] 步骤S2.2，根据监测时间序列的信噪比确定改进符号传递熵的参数，有限穿越值和有限跨越值，获得符号化序列，如图2所示，图中的有限穿越值为1，用虚线箭头表示，有限跨越值为4，用点状虚线箭头表示，最终符号结果为曲线跨越的点数，然后计算两个检测时间序列之间的耦合关系为：其中
为两个符号化序列在t时刻和t+τ时刻的联合概率， 和
分别为两个符号话序列对应的两个条件概率分布。

[0032] 步骤2.3，预估监测时间序列的平均周期，以两个变量平均周期最大值的2倍作为计算符号传递熵的滑动窗口长度。

[0033] 步骤2.4，计算监测时间序列两两之间的耦合关系强度，并且确定耦合关系方向，建立耦合关系网络；其表示方式为：IHVG-TEx-y＞0，表示信息传递熵方向为x→y，小于0则表示传递方向相反，采用同一传递熵的和表示监测时间序列之间的耦合强度。

[0034] 步骤S3，耦合关系异常检测；包括在生产系统正常运行状态下耦合关系强度的统计模型，确定置信度和T2和SPE的控制限，计算实时监测数据求得的耦合关强度核主成分分析(KPCA)统计量T2和SPE，检测实时监测数据求得的耦合关强度是否超出控制限，如果T2和SPE超出控制限则认为监测数据间耦合关系发生异常，通过耦合关系是否发生异常判断监测数据是否异常。

[0035] 其体过程是：首先计算得到耦合关系强度的核矩阵，并且求得该核矩阵的特征值，将特征值进行标准化处理；然后计算多个监测点样本在高维空间的投影；在系统运行正常状态下检测数据的耦合强度计算T2和SPE，其中T2统计指标控制限根据卡方分布F分布获得，SPE的控制限根据其近期分布获得；将监测点集合投影到上述高维空间中，并且计算得到数据的T2统计量和SPE统计量；然后判断其是否超出T2统计量和SPE统计量的控制限。

[0036] 步骤S4，局部异常点监测；在步骤S3中检测到耦合关系异常之后，找到耦合关系异常点对应的监测数据点，通过基于密度的局部异常点监测方法，查找异常点的起始位置，获得监测数据异常点的准确位置。通过以下实施方式进行具体说明：

[0037] 步骤S4.1，对于任意的正整数k，计算监测点p的第k距离表示为：k-dist(p)，p和监测数据o的距离为：d(p,o)；

[0038] 步骤S4.2，计算监测点p的k近邻：具体的任意不大于k-dist(p)的监测点都被作为p的k近邻，其表示为Nkdist(p)(p)＝{q\{p}|d(p,q)≤kdist(p)}；

[0039] 步骤S4.3，计算检测点p的可达距离(reach-distance)，表示为：reachdistk(p,o)＝max{kdist(o),d(p,o)}；

[0040] 步骤S4.4，计算监测点p的局部离群因子：

[0041] 如果局部离群因子远大于1，则说明p的密度小于其邻域点的密度，判断p为异常点。