基于规范变量残差的化工过程微小故障检测与诊断

微小故障因其幅值低而易被噪声和过程扰动所掩盖,并且会随时间慢慢演变成过程中的严重故障.因此,微小故障的检测和诊断变得越来越重要.为了更有效地监测和诊断微小故障,提出了基于规范变量残差的化工过程微小故障检测和诊断方法.首先,对Hankel矩阵执行奇异值分解来获得主元和残差空间并根据过去和未来数据的差异,求得两个不同的规范变量残差d_(1),d_(2).其次,考虑数据的时间序列特性,提出了基于规范变量残差的两个加权平均统计量W_(D1),W_(D2)及其控制限,进行故障检测;然后,计算出各个统计量的归一化贡献并绘制二维贡献图,进行故障诊断.最后,在连续搅拌釜式反应器(CSTR)过程中进行两种微小故障的应用研究.结果表明,与传统的统计量T2,Q以及规范变量差异分析(CVDA)中统计量D相比,基于规范变量残差的加权平均统计量W_(D1),W_(D2)不仅能够及时检测到微小故障,而且在故障检测率和诊断率方面,均有不同程度的提高.

基于分时段规范变量残差分析的高速自动机动态特性监测

针对高速自动机运动形态的多行程特点,提出一种分时段规范变量残差分析(Phase-partitioned Canonical Variate Dissimilarity Analysis,PCVDA)方法用于高速自动机的动态特性监测。通过建立整个行程与短时瞬态冲击信号的对应关系,将冲击信号划分为多个时段;采用正弦波辅助经验模态分解(Sinusoid-assisted Empirical Mode Decomposition,SEMD)将每个时段的冲击信号分解为高频和低频成分,分别计算两种成分的过去和未来数据的规范变量的残差,建立基于高低频成分的PCVDA模型监测高速自动机在不同时段的动态特性。对某12.7 mm高速自动机的监测结果验证了PCVDA模型的有效性。

基于递推规范变量残差和核主元分析的微小故障检测

微小故障由于故障征兆不明显从而很难在故障发生早期对其进行检测.针对该问题,本文提出了一种基于递推规范变量残差和核主元分析(RCVD-KPCA)的微小故障检测方法.首先构造规范变量残差,从中提取数据的线性特征.利用指数加权滑动平均法对规范变量残差进行递推滤波处理,提高规范变量残差对微小故障的敏感程度;然后使用KPCA提取规范变量残差中的非线性主成分作为非线性特征,根据提取的特征提出了两个新的故障检测统计量;此外,利用核密度估计确定故障检测统计量的控制限.由于同时提取了过程数据的线性和非线性特征,有效地提高了非线性动态过程中微小故障的可检测性.以闭环连续搅拌釜式反应器过程为例进行了仿真分析,仿真结果表明本文所提方法具有较好的故障检测性能.

基于分数阶傅里叶变换与卷积神经网络的工业过程故障检测

基于传统数据驱动的过程故障检测存在忽略正常数据与故障数据之间微小差异和检测不灵敏问题,本文提出了一种基于FRFT和CNN结合的故障检测方法。从放大正常数据与故障数据之间的微小差异方面入手,一则利用CVDA构造残差矩阵用于数据监测,增强灵敏度;二则利用FRFT对数据进行变换,将一些幅值低,易被噪声掩盖的故障从时域转换为频域,尽可能放大其特征,使其易检测。最后利用CNN对处理完的数据进行检测,解决了忽略微小差异和检测灵敏度低的问题,通过TE过程进行实验验证,在故障检测率方面得到提高,表明所提方法的有效性。