本发明公开了一种工业过程关键指标的故障预警方法，依据历史数据构造训练集，采用工业过程中的关键指标，对训练集进行正交处理，以此离线建立慢特征分析模型，实时获取工业过程中的样本，构造待测样本，运用离线模型计算统计量，并对统计量滤波后判断是否预警。该方法着眼于使用工业过程中的关键指标，如产品质量指标，剔除监控变量空间中与关键指标无关的成分，能够在关键指标发生故障时准确预警，误报率低，有益于企业稳定生产，提高产品质量。
1.一种工业过程关键指标的故障预警方法，其特征在于针对工业过程中的关键指标建立故障预警模型并进行在线监测，具有以下步骤：(1)根据工艺机理，选取与关键指标变量y关联的m个变量x1,x2,…,xm作为监测变量，并从这些监测变量中选取n个连续时刻的正常样本及其对应的y值；
(2)以m个变量每一时刻及其过去k个时刻的样本构造训练集U0：并对U0进行标准化预处理得到U1，同样以关键指标变量每一时刻及其过去k个时刻的样本构造矩阵Y0并进行预处理得到Y；
(3)采用主成分分析计算U1的第一主成分得分向量t1并将t1对Y做正交处理，剔除该主成分中与关键指标无关的部分，得到正交于Y的得分向量tnew：T ‑1 T
tnew＝(I‑Y(YY) Y)t1其中，I为单位阵；
(4)计算U1与tnew的偏最小二乘回归系数并作为权重向量w，提取监测变量空间中与tnew相近的得分向量t2：
(5)判断是否满足||t2‑t1||/||t2||≤ε，ε为相似性阈值，若满足则转步骤(6)，否则令t1＝t2并返回步骤(3)；
p＝t2U1/(t2tnew)并根据p将监测变量中与关键指标无关的部分剔除：T
(7)判断循环次数是否达到阈值lp，未达到则返回步骤(3)，否则将去除了无关部分的U1作为校正后的训练集U，并计算初始U1到U的校正变换矩阵W1：+
(8)进行慢特征分析，获取慢特征矩阵S并计算变换矩阵W2：+
其中，U表示U的伪逆，并选取M个慢特征，计算置信度为α下的控制限Sα、Tα；
(9)选取待测时刻及其过去k个时刻的样本，构造待测样本u1(t)并进行标准化预处理，计算慢特征s(t)：
(10)对S和T分别进行滤波，若滤波后S或T统计量超限，表明检测到故障，启动预警。
2.根据权利要求1所述的一种工业过程关键指标的故障预警方法，其特征在于矩阵U0和Y0按照下式进行标准化预处理：*
rij＝(rij‑μj)/sj其中，rij表示矩阵R的第i行第j列元素，μj表示R第j列的均值，sj表示R第j列的标准差，*
rij表示预处理后矩阵的第i行第j列元素，矩阵R表示矩阵U0或Y0。
3.根据权利要求1所述的一种工业过程关键指标的故障预警方法，其特征在于待测样本u1(t)按照下式进行标准化预处理：其中，u1j表示预处理前待测样本u1(t)的第j个元素， 表示预处理后待测样本u1(t)的第j个元素，υj表示训练集矩阵U0第j列的均值，δj表示训练集矩阵U0第j列的标准差。
4.根据权利要求1所述的一种工业过程关键指标的故障预警方法，其特征在于步骤(5)‑6
5.根据权利要求1所述的一种工业过程关键指标的故障预警方法，其特征在于步骤
其中，0≤β≤1，z(t)表示当前时刻计算出的统计量S或T ，z (t)表示滤波后的统计量，*
一种工业过程关键指标的故障预警方法
技术领域
[0001] 本发明涉及工业过程中的故障检测，具体为一种面向工业过程中关键指标进行监测变量的成分提取，从而减少非必要报警和降低误报率的故障预警方法。
背景技术
[0002] 海量工业历史数据的积累，使得基于数据驱动的过程监控方法成为当前故障预警的重要手段。目前，主成分分析、偏最小二乘等方法在当前故障监控中应用很多。这类方法
往往通过监测方差最大、变化最快的成分进行故障预警。由于工业过程中往往存在较多的
扰动和噪声，变化最快的部分也有可能为扰动和噪声，对这些成分进行监控导致误报率较
高。近年来，慢特征分析方法开始在工业过程故障监控领域得到应用。然而，慢特征分析方
法依然存在误报率较高、无关紧要的报警过多等问题。
[0003] 工业生产过程中有许多监控变量，有些变量对生产监控十分关键，有些则不尽然。关键指标一般包括产品的性质指标以及工艺过程中的关键温度、压力等。为了保持这些关
键指标的稳定，常规的数据驱动方法往往通过机理分析选择一组与关键指标关联的变量用
于故障监控。而实际的工业生产过程中，往往会有多个闭环控制回路，闭环反馈调节使得部
分扰动的影响可以得到快速抑制，而最终的关键指标不会受到扰动的影响。如果将这些中
间变量的变化纳入预警分析，极易产生大量非必要的报警。最为重要的是，即使是具有丰富
工艺机理知识的专家，选择出的变量中仍然可能包含较多与关键指标并不相关的成分，从
而对预警产生不利影响。
发明内容
[0004] 针对上述问题，本发明公开一种工业过程关键指标的故障预警方法，通过剔除与关键指标无关的成分，保留与之相关的成分，结合慢特征分析方法挖掘过程中变化最缓慢
却又最能反应系统变化的本质特征，建立在线故障预警系统，并对监控结果进行滤波，在发
生与关键指标相关的故障时及时预警并降低误报率。
[0005] 本发明分为建立故障预警模型和在线监测两大步骤，其中建立模型的过程包含以下步骤：
[0006] (1)根据工艺机理，选取与关键指标变量y关联的m个变量x1,x2,…,xm作为监测变量，并从这些监测变量中选取n个连续时刻的正常样本及其对应的y值；
[0007] (2)以m个变量每一时刻及其过去k个时刻的样本构造训练集U0：
[0008]并按照下式对U0进行标准化预处理得到U1：
[0009] uij*＝(uij‑μj)/sj
[0010] 其中，uij表示矩阵U0的第i行第j列元素，μj表示U0第j列的均值，sj表示U0第j列的*
标准差，uij 表示预处理后矩阵U1的第i行第j列元素；同样以关键指标变量每一时刻及其过
去k个时刻的样本构造矩阵Y0并进行预处理得到Y；
[0011] (3)采用主成分分析计算U1的第一主成分得分向量t1并将t1对Y做正交处理，剔除该主成分中与关键指标无关的部分，得到正交于Y的得分向量tnew：
[0012] tnew＝(I‑Y(YTY)‑1YT)t1
[0013] 其中，I为单位阵；
[0014] (4)计算U1与tnew的偏最小二乘回归系数并作为权重向量w，提取监测变量空间中与tnew相近的得分向量t2：
[0015] t2＝U1w
[0016] (5)判断是否满足||t2‑t1||/||t2||≤ε(一般要求ε≤10‑6)，若满足则转步骤(6)，否则令t1＝t2并返回步骤(3)；
[0017] (6)计算载荷向量p：
[0018] pT＝t2TU1/(t2Ttnew)
[0019] 并根据p将监测变量中与关键指标无关的部分剔除：
[0020] U1＝U1‑t2pT
[0021] (7)判断循环次数是否达到阈值lp，未达到则返回步骤(3)，否则将去除了无关部分的U1作为校正后的训练集U，并计算初始U1到U的校正变换矩阵W1：
[0022] W1＝UU1+
[0023] 其中，U1+表示U1的伪逆；
[0024] (8)进行慢特征分析，获取慢特征矩阵S并计算变换矩阵W2：
[0025] W2＝SU+
[0026] 其中，U+表示U的伪逆，并选取M个慢特征，计算置信度为α下的控制限Sα2、Tα2。
[0027] 根据以上步骤建立故障预警模型，使用该模型对工业过程进行在线监控，具体步骤如下：
[0028] (1)选取待测时刻及其过去k个时刻的样本，构造待测样本u1(t)并进行标准化预处理：
[0029]
[0030] 其中，u1j表示预处理前u1(t)的第j个元素， 表示预处理后u1(t)的第j个元素；
[0031] 计算慢特征s(t)：
[0032] s(t)＝W2W1u1(t)
[0033] 并选取M个慢特征，计算统计量S2和T2；
[0034] (2)对统计量S2和T2分别进行滤波，
[0035] z*(t)＝βz(t)+(1‑β)z*(t‑1)
[0036] 其中，0≤β≤1，z(t)表示当前时刻计算出的统计量S2或T2，z*(t)表示滤波后的统* 2 2
计量，z (t‑1)表示上一时刻滤波后的统计量；若滤波后S 或T超限，表明检测到故障，启动
预警。
[0037] 有益效果：
[0038] 本发明公开了一种工业过程关键指标的故障预警方法，在经工艺机理分析初步筛选出的关键指标相关变量基础上，采用正交分析剔除监测变量空间中与关键指标无关的成
分，并结合慢特征分析方法建立在线故障预警模型。相较于主成分分析等常规方法，该方法
能够有效减少生产过程中的非必要报警，并且降低了误报率。
附图说明
[0039] 图1是建立工业过程关键指标的故障预警模型流程图；
[0040] 图2是在线监测关键指标故障流程图；
[0041] 图3(a)是采用本申请方法进行田纳西‑伊斯曼过程故障1的预警结果示意图；
[0042] 图3(b)是采用主成分分析法对故障1进行预警的结果示意图。
[0043] 具体实施过程
[0044] 下面结合附图以及具体的算例，由详细的计算过程和具体的操作流程说明本方法在国际化工模型仿真平台田纳西‑伊斯曼(Tennessee Eastman，简称TE)过程中的实施效
果。本实施案例在以本发明技术方案为前提下进行实施，但本发明的保护范围不限于下述
的实施例。
[0045] TE过程仿真平台基于美国伊斯曼公司实际的化工过程，常用于评估故障监测方法的有效性。TE过程主要由反应器、冷凝器、循环压缩机、气液分离器以及汽提塔这五个部分
组成。该过程共包含A、C、D、E四种反应物及G、H这两种产物，此外还涉及到惰性气体B及副产
物F。其中，作为TE过程的最终产物，G是TE过程的一个关键指标。该仿真平台共包含21种故
障，每个故障集共有960个样本，故障在第160个样本处发生。本发明以TE过程中的故障1为
例，该故障为A/C进料比突然发生了阶跃性的扰动变化。
[0046] 本方法建立故障预警模型的过程如图1所示，运用该模型对工业过程进行在线监测的过程如图2所示，具体的实施步骤如下：
[0047] (1)根据工艺机理，选择与关键指标G相关的变量作为监测变量，包括反应器压力、排放速度、分离器温度、分离器压力、汽提塔压力、压缩机功率和分离器冷却水出口温度；
[0048] (2)根据TE过程提供的无故障数据集，选取每一时刻及其过去k＝3个时刻的样本构造训练集U0并进行标准化预处理得到U1：
[0049]
[0050] 以同样方式构造变量G矩阵Y0并进行预处理得到Y；
[0051] (3)计算U1的第一主成分得分向量t1并将t1对Y做正交处理，筛选出该主成分中与关键指标无关的部分，计算正交于Y的得分向量tnew，本实施例第一次循环计算出的tnew如
下：
[0052]
[0053] (4)采用主成分分析计算U1与tnew的偏最小二乘回归系数，并将其作为权重向量w，提取监测变量空间中与tnew相近的得分向量t2：
[0054]
[0055]
[0056] (5)此时，||t2‑t1||/||t2||＝0.22，令t1＝t2并返回步骤(3)。本实施例经过47次循‑7 ‑6
环后||t2‑t1||/||t2||＝8.12×10 ，此时已满足设定的ε≤1.0×10 要求，最终计算出的
结果如下：
[0057]
[0058]
[0059] (6)计算载荷向量p并根据p将监控变量中与关键指标无关的部分去剔除：
[0060]
[0061]
[0062] (7)循环步骤(3)‑(5)，本实施例经过lp＝3次循环，得到剔除了无关部分的U1，将其作为校正后的训练集U，并计算初始U1到U的校正变换矩阵W1：
[0063]
[0064]
[0065] (8)进行慢特征分析，其中置信度设置为α＝0.99，计算慢特征矩阵S：
[0066]
[0067] 本例中选取M＝13个慢特征，计算出控制限分别为Sα2＝21.32和Tα2＝27.69，变换矩阵W2为：
[0068]
[0069] (9)以同样的方式构造待测样本u1(t)并对u1(t)进行标准化预处理，采用上述监控模型计算慢特征s(t)，对故障1所有待测样本处理后得到的慢特征矩阵如下：
[0070]
[0071] 同样选取M＝13个慢特征，并计算S2和T2统计量；
[0072] (10)对S2和T2监控结果分别进行数字低通滤波，本实施例中选取β＝0.1；若滤波后2 2
S或T统计量超限，表明检测到故障，启动预警，预警结果如图3(a)所示。
[0073] 为便于比较，采用主成分分析法对故障1进行预警，结果如图3(b)所示。观察成分G在故障期间的变化，可以发现在故障发生的第160到第400个采样点间波动较大，之后逐渐
恢复稳定。主成分分析结果表明在故障发生前，部分时刻存在故障，然而本发明提出的方法
没有进行预警，即没有发生误报。故障发生后即第160个样本开始，本发明提出的方法正确
2 2
地进行了故障预警，且T统计量在第430个样本之后持续低于控制限，S统计量在第400个样
本之后持续低于控制限，该结果指示G已经恢复正常，即与该关键指标相关的故障已经消
除。而主成分分析方法在第430个采样点后仍然存在较多的预警点，误报较多。
[0074] 可见，本发明提出的方法能够正确识别工业过程中关键指标的故障，减少无关紧要的预警，并且能够降低误报率。
