基于时延ＳＤＧ和ＩＣＡ的多工况过程故障预测方法

2012年03月16日15:28:23 本网站我要评论(2)字号：T | T | T

陆宁云，王　磊，姜　斌
南京航空航天大学自动化学院，江苏南京

摘　　　要：针对多工况生产过程，提出基于时延符号有向图（ＳＤＧ）和独立成分分析（ＩＣＡ）的在线故障预测方法。时延符号有向图描述了过程变量间信息传递的方向和时延大小；在有向图模型基础上，对过程数据进行信息同步校正；ＩＣＡ方法应用于校正后的过程数据，使得基于ＩＣＡ的性能监测方法具有良好的故障预测能力。在空分设备中的应用结果表明，该方法可在变工况下实现准确的氮塞故障预测。

关　键　词：多工况过程；故障预测；符号有向图；独立成分分析

１　引　言
工业过程性能监测是提高生产过程安全、保证产品质量的重要手段，以主成分分析（ＰＣＡ）为代表的多元统计方法在性能监测技术中占有重要的地位［１］。但ＰＣＡ要求应用对象是一个平稳随机过程，即要求生产过程处于单一的平稳工况。而在当前全球竞争日趋激烈、市场需求瞬息万变的形势下，现代工业过程逐渐柔性化，许多生产过程具有变工况生产的能力。在多工况／变工况情况下，各种变量测量值的低阶统计量会呈现复杂的时变特性，基于ＰＣＡ及多种改进ＰＣＡ模型的性能监测与故障诊断方法会导致严重的故障误报［２６］。目前，针对多工况过程的性能监测已有了一些理论成果，但这些方法大都采用聚类或过程经验来划分工况，然后为每个平稳工况建立监测模型。这些方法在处理变工况过渡状态时，或停止性能监测程序［２］，或采用智能手段实现工况的自动识别与软划分［３４］，或迭代更新监测模型［５］，以期降低故障误报率。即使从较新相关文献看，对于多工况／变工况过程，若仍采用ＰＣＡ模型，难以形成简单有效的性能监测方法。为了克服ＰＣＡ模型对生产工况的苛求，可用独立成分分析（ＩＣＡ）模型替代ＰＣＡ模型。因为ＩＣＡ是基于信号高阶统计特性的分析方法，无论过程数据是否满足独立正态分布，经ＩＣＡ分解出的各信号分量是互相独立的，这些独立分量能更本质地反映过程特征［７］。国内外学者对ＩＣＡ算法本身及ＩＣＡ的各种应用已展开深入研究。ＩＣＡ在过程监测与故障诊断领域的应用研究也初具规模［８１２］。
本文关注性能监测领域的一个难点问题—故障预测，即在故障发生早期，通过微小异常信号的检测和处理，计算过程中各种测量信号的变化趋势，预测过程在未来时段可能发生故障的时间和类型，以便提供充裕的时间采取措施，防止故障的演变和恶化［１３］。针对化工过程的故障预测，本文作者已提出一种时延符号有向图（ＴＤＳＤＧ）模型以及基于ＰＣＡ的故障预测方法［１４］，但受到ＰＣＡ模型本身的限制，该算法只能处理单一工况下生产过程的故障预测与诊断。针对变工况过程，尤其是变工况时的过渡过程，本文提出一种基于ＴＤＳＤＧ和ＩＣＡ的故障预测方法，并将该方法在空分设备精馏系统中进行应用研究，结果表明该方法可在变工况下实现准确的故障预测。

登录网站后可下载文件

基于时延ＳＤＧ和ＩＣＡ的多工况过程故障预测方法

相关阅读: