工業聚丙烯生產熔融指數檢測故障診斷系統及方法

專利名稱：工業聚丙烯生產熔融指數檢測故障診斷系統及方法
技術領域：
本發明涉及工業過程故障診斷領域，特別地，涉及一種工業聚丙烯生產熔融指數檢測故障診斷系統及方法。
背景技術：
聚丙烯是以丙烯單體為主聚合而成的一種合成樹脂，是塑料工業中的重要產品。在目前我國的聚烯烴樹脂中，成為僅次于聚乙烯和聚氯乙烯的第三大塑料。在聚丙烯生產過程中，熔融指數(MI)是反映產品質量的一個重要指標，是生產質量控制和牌號切換的重要依據。但MI只能離線檢測，一般離線分析至少需要近2小時，耗資而且耗時，特別是離線分析的2小時期間將無法及時了解聚丙烯生產過程的狀態。因此，選取與熔融指數密切相關的易測變量作為二次變量，從中分析熔融指數，檢測生產過程是否正常，對丙烯聚合生產過程進行監控就顯得異常重要。
聚丙烯生產過程從本質上來說是具有多尺度特性的，比如微觀、宏觀聚合動力學的空間多尺度特性，過程變量總是在不同采樣率或尺度下得到的，相應的控制或操作也是在不同的時間和空間尺度下發生的。只有全面考慮到過程的復共線性和非線性特性，同時考慮丙烯聚合生產過程的多尺度特性，才能對聚丙烯生產進行準確、可靠的故障診斷。但是目前的故障診斷只考慮了聚丙烯生產過程的復共線性和非線性特性，而沒有考慮到過程的多尺度特性，往往難以得到較好的故障診斷效果。

發明內容為了克服已有的聚丙烯生產熔融指數檢測故障診斷系統的沒有考慮過程的多尺度特性、難以得到較好的診斷效果的不足，本發明提供一種同時考慮工業過程數據的復共線性、非線性特性和多尺度特性、能夠得到良好的診斷效果的工業聚丙烯生產熔融指數檢測故障診斷系統及方法。
本發明解決其技術問題所采用的技術方案是一種工業聚丙烯生產熔融指數檢測故障診斷系統，包括與聚丙烯生產過程對象連接的現場智能儀表、DCS系統以及上位機，所述的DCS系統由數據接口、控制站、數據庫構成；智能儀表、DCS系統、上位機依次相連，所述的上位機包括標準化處理模塊，用于對數據庫中采集系統正常時關鍵變量數據進行標準化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數，TX為訓練樣本的均值；小波分解功能模塊，用于采用Mallat塔式分解算法將原始信號分解為一系列近似信息和細節信息，依照分解層數，采用以下步驟來實現①將原始信號空間V0可以分解為一系列逼近空間VJ與細節空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ。空間VJ由尺度函數{J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)} (4)③計算細節空間Wj。細節空間Wj由小波函數{ψj，k(t)，j＝1，...，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t))|ψj，k(t)＝2-j/2ψ(2-jt-k)}(5)其中j是尺度因子，k是平移因子；④從而得到原始信息的分解信息，采用下式進行計算 其中，第一項代表近似信息，第二項為細節信息，逼近因子aJ，k與細節因子dj，k采用Mallat算法計算；所述的近似信息AJf(t)與細節信息Djf(t)(j＝1，2，...，J)，定義如下 Djf(t)=Σk∈Zdj,kψj,k(t)---(8)]]>主元分析模塊，用于進行主元分析提取主成分，依照主元分析方差提取率，采用協方差奇異值分解的方法，采用以下步驟來實現①計算X的協方差陣，記為∑X；②對∑X進行奇異值分解，得到特征根λ1，λ2，...，λp，其中λ1≥λ2≥...≥λp，對應的特征向量矩陣為U；③計算總方差和每個特征值對應的方差貢獻率，按各個特征值的方差貢獻率從大到小累加直到總的方差貢獻率達到給定值，記選取個數為k；④選取特征向量矩陣U的前k列，作為變換矩陣T；⑤計算主元，通過式子F＝T×X計算得到主元F；小波重構功能模塊，用于進行小波重構，根據小波理論，將各尺度下得到的主元相加，即得到總的主元；支持向量機分類器功能模塊，用于核函數采用徑向基函數K(xi，x)＝exp(-‖x-xi‖/σ2)，依照置信概率，將訓練過程化為如下二次規劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(9)]]>得到分類函數，即如下函數的符號函數f(x)=Σi=1myiαiK(xi,x)+b---(10)]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；定義當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態；信號采集模塊，用于設定每次采樣的時間間隙，采集現場智能儀表的信號；待診斷數據確定模塊，用于將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；故障診斷模塊，用于對待檢測數據VX用訓練時得到的TX和σx2進行標準化處理，并將標準化處理后的數據作為小波分解模塊的輸入，用訓練時相同的參數對輸入數據進行小波分解，得到的系數作為中主元分析模塊的輸入；用訓練時得到的變換矩陣T對輸入進行變換，變換后矩陣輸入到小波重構模塊；將對應的數據相加即得到原待測數據的主成分，并將所得到的主成分輸入到支持向量機分類器模塊；將輸入代入訓練得到的判別函數，計算判別函數值，判別過程的狀態。
作為優選的一種方案所述的上位機還包括判別模型更新模塊，用于定期將過程狀態正常的點添加到訓練集VX中，輸出到標準化處理模塊、小波分解模塊、主元分析模塊、小波重構功能模塊，并更新支持向量機分類器的分類模型。
作為優選的另一種方案所述的上位機還包括結果顯示模塊，用于將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，并通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
作為優選的再一種方案所述的關鍵變量包括主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)、釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α。
一種工業聚丙烯生產熔融指數檢測故障診斷方法，所述的故障診斷方法包括以下步驟(1)、確定故障診斷所用的關鍵變量，從DCS數據庫的歷史數據庫中分別采集系統正常和故障時所述變量的數據作為訓練樣本TX；(2)、在小波分解模塊、主元分析模塊和支持向量機分類器模塊中，分別設置小波分解層數、主元分析方差提取率、支持向量機核參數和置信概率參數，設定DCS中的采樣周期；(3)、訓練樣本TX在上位機中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3.3)標準化X=TX-TX‾σx,---(3)]]>其中，N為訓練樣本數，N為訓練樣本數，TX為訓練樣本的均值；(4)、用于采用Mallat塔式分解算法將采集的原始信號分解為一系列近似信息和細節信息，采用以下步驟來實現①將原始信號空間V0可以分解為一系列逼近空間VJ與細節空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ。空間VJ由尺度函數{J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)}(4)③計算細節空間Wj。細節空間Wj由小波函數{ψj，k(t)，j＝1，...，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)} (5)其中j是尺度因子，k是平移因子；④從而得到原始信息的分解信息，采用下式進行計算 其中，第一項代表近似信息，第二項為細節信息，逼近因子aJ，k與細節因子dj，k采用Mallat算法計算；所述的近似信息AJf(t)與細節信息Djf(t)(j＝1，2，...，J)，定義如下 Djf(t)=Σk∈Zdj,kψj,k(t)---(8)]]>(5)、進行主元分析提取主成分，采用協方差奇異值分解的方法，采用以下步驟來實現①計算X的協方差陣，記為∑X；②對∑X進行奇異值分解，得到特征根λ1，λ2，...，λp，其中λ1≥λ2≥...≥λp，對應的特征向量矩陣為U；③計算總方差和每個特征值對應的方差貢獻率，按各個特征值的方差貢獻率從大到小累加直到總的方差貢獻率達到給定值，記選取個數為k；④選取特征向量矩陣U的前k列，作為變換矩陣T；⑤計算主元，通過式子F＝T×X計算得到主元F；(6)、進行小波重構，根據小波理論，將各尺度下得到的主元相加，即得到總的主元；(7)、核函數采用徑向基函數K(xi，x)＝exp(-‖x-xi‖/σ2)，將訓練過程化為如下二次規劃求解問題
ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(9)]]>得到分類函數，即如下函數的符號函數f(x)=Σi=1myiαiK(xi,x)+b---(10)]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；定義當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態；(8)、將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；對待檢測數據VX用訓練時得到的TX和σx2進行標準化處理，并將標準化處理后的數據作為小波分解模塊的輸入，用訓練時相同的參數對輸入數據進行小波分解，得到的系數作為中主元分析模塊的輸入；用訓練時得到的變換矩陣T對輸入進行變換，變換后矩陣輸入到小波重構模塊；將對應的數據相加即得到原待測數據的主成分，并將所得到的主成分輸入到支持向量機分類器模塊；將輸入代入訓練得到的判別函數，計算判別函數值，判別過程的狀態。
作為優選的一種方案所述的故障診斷方法還包括(9)、定期將過程狀態正常的點添加到訓練集VX中，重復(3)～(7)的訓練過程，以便及時更新支持向量機分類器的分類模型。
作為優選的另一種方案在所述的(8)中，計算判別函數值，并在上位機的人機界面上顯示過程的狀態，上位機將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
作為優選的再一種方案所述的關鍵變量包括主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)、釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α。
本發明同時考慮聚丙烯生產過程數據的復共線性、非線性特性和多尺度特性，將主元分析、支持向量機和小波分析相結合，對工業過程進行故障診斷。其中，主元分析用于處理工業過程生產數據的復相關性，支持向量機分類器用于解決非線性分類問題，小波分析用于獲取過程在不同尺度下的信息。
本發明的有益效果主要表現在同時兼顧聚丙烯生產過程數據中的復相關性、多尺度特性和非線性特性等特性，充分利用了主元分析，多尺度系統理論和支持向量機各自的特點，將主元分析的解相關性能力，小波分析對信息不同尺度下的強分解與重構能力以及支持向量機的多變量非線性映射能力很好地結合了起來，發揮了各自的優勢，使得故障診斷更加可靠有效，能更好的指導生產，提高生產效益。


圖1是本發明所提出的故障診斷系統的硬件結構圖。
圖2是本發明所提出的故障診斷系統功能模塊圖。
圖3是小波分析的Mallat算法分解圖。
圖4是聚丙烯生產流程簡圖。
圖5是MS-PAC-SVM檢測效果圖。
圖6是本發明上位機的原理框圖。
具體實施方式
下面結合附圖對本發明作進一步描述。本發明實施例用來解釋說明本發明，而不是對本發明進行限制，在本發明的精神和權利要求的保護范圍內，對本發明作出的任何修改和改變，都落入本發明的保護范圍。
實施例1參照圖1、圖2、圖3、圖4、圖5以及圖6，工業聚丙烯生產熔融指數檢測故障診斷系統，包括與聚丙烯生產過程對象1連接的現場智能儀表2、DCS系統以及上位機6，所述的DCS系統由數據接口3、控制站4、數據庫5構成；智能儀表2、DCS系統、上位機6通過現場總線依次相連，所述的上位機6包括標準化處理模塊7，用于對數據進行標準化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>
2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數，TX為訓練樣本的均值；小波分解功能模塊8，用于采用Mallat塔式分解算法將原始信號分解為一系列近似信息和細節信息，根據小波分解層數，采用以下步驟來實現①將原始信號空間V0可以分解為一系列逼近空間VJ與細節空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ。空間VJ由尺度函數{J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)} (4)③計算細節空間Wj。細節空間Wj由小波函數{ψj，k(t)，j＝1，...，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)} (5)其中j是尺度因子，k是平移因子；④從而得到原始信息的分解信息，采用下式進行計算 其中，第一項代表近似信息，第二項為細節信息，逼近因子aJ，k與細節因子dj，k采用Mallat算法計算；所述的近似信息AJf(t)與細節信息Djf(t)(j＝1，2，...，J)，定義如下 Djf(t)=Σk∈Zdj,kψj,k(t)---(8)]]>主元分析模塊9，用于進行主元分析提取主成分，依照設置的主元分析方差提取率，采用協方差奇異值分解的方法，采用以下步驟來實現①計算X的協方差陣，記為∑X；②對∑X進行奇異值分解，得到特征根λ1，λ2，...，λp，其中λ1≥λ2≥...≥λp，對應的特征向量矩陣為U；③計算總方差和每個特征值對應的方差貢獻率，按各個特征值的方差貢獻率從大到小累加直到總的方差貢獻率達到給定值，記選取個數為k；
④選取特征向量矩陣U的前k列，作為變換矩陣T；⑤計算主元，通過式子F＝T×X計算得到主元F；小波重構功能模塊10，用于進行小波重構，根據小波理論，將各尺度下得到的主元相加，即得到總的主元；支持向量機分類器功能模塊11，用于核函數采用徑向基函數K(xi，x)＝exp(-‖x-xi‖/σ2)，依照設置的置信概率，將訓練過程化為如下二次規劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(9)]]>得到分類函數，即如下函數的符號函數f(x)=Σi=1myiαiK(xi,x)+b---(10)]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；定義當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態；信號采集模塊12，用于設定每次采樣的時間間隙，采集現場智能儀表的信號；待診斷數據確定模塊13，用于將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；故障診斷模塊14，用于對待檢測數據VX用訓練時得到的TX和σx2進行標準化處理，并將標準化處理后的數據作為小波分解模塊的輸入，用訓練時相同的參數對輸入數據進行小波分解，得到的系數作為中主元分析模塊的輸入；用訓練時得到的變換矩陣T對輸入進行變換，變換后矩陣輸入到小波重構模塊；將對應的數據相加即得到原待測數據的主成分，并將所得到的主成分輸入到支持向量機分類器模塊；將輸入代入訓練得到的判別函數，計算判別函數值，判別過程的狀態。
所述的上位機還包括判別模型更新模塊15，用于定期將過程狀態正常的點添加到訓練集VX中，輸出到標準化處理模塊7、小波分解模塊8、主元分析模塊9、小波重構功能模塊10，并更新支持向量機分類器模塊11的分類模型。
所述的上位機還包括結果顯示模塊16，用于將故障診斷結果傳給DCS，并在DCS的控制站顯示過程狀態，并通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
本實施例的工業聚丙烯生產熔融指數檢測故障診斷系統的硬件結構圖如附圖1所示，所述的故障診斷系統核心由包括標準化模塊7、小波分解模塊8、主元分析模塊9、小波重構模塊10、支持向量機分類器模塊11等五大功能模塊和人機界面的上位機6構成，此外還包括現場智能儀表2，DCS系統和現場總線。所述的DCS系統由數據接口3、控制站4、數據庫5構成；丙烯聚合生產過程1、智能儀表2、DCS系統、上位機6通過現場總線依次相連，實現信息流的上傳和下達。故障診斷系統在上位機6上運行，可以方便地與底層系統進行信息交換，及時應對系統故障。
本實施例述的故障診斷系統的功能模塊圖如附圖2所示，主要包括標準化處理模塊7、小波分解模塊8、主元分析模塊9、小波重構模塊10、支持向量機分類器模塊11等五大功能模塊。
所述的故障診斷方法按照如下步驟進行實施1、從DCS數據庫5的歷史數據庫中采集系統正常時以下九個變量的數據作為訓練樣本TX主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)、釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α；2、在上位機6的小波分解模塊8、主元分析模塊9和支持向量機分類器模塊11中，分別設置小波分解層數、主元分析方差提取率、支持向量機核參數和置信概率等參數，并設定DCS中的采樣周期；3、訓練樣本TX在上位機6中，依次經過標準化處理7、小波分解8、主元分析9、小波重構10、支持向量機11等功能模塊，采用以下步驟來完成診斷系統的訓練1)上位機6的標準化處理功能模塊7，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X。采用以下步驟來實現①計算均值TX‾=1NΣi=1NTXi,---(1)]]>②計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>
③標準化X=TX-TX‾σx,---(3)]]>其中N為訓練樣本數，，N為訓練樣本數，TX為訓練樣本的均值；上位機6的標準化處理功能模塊7所進行的標準化處理能消除各變量因為量綱不同造成的影響。
2)在上位機6的小波分解功能模塊8中，采用Mallat塔式分解算法將原始信號分解為一系列近似信息和細節信息。所述的上位機6中小波分解模塊8的小波分析采用db3小波，分解層數取為3-7。采用以下步驟來實現①將原始信號空間V0可以分解為一系列逼近空間VJ與細節空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ。空間VJ由尺度函數{J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)} (4)③計算細節空間Wj。細節空間Wj由小波函數{ψj，k(t)，j＝1，...，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)|ψj，k(t)＝2-j2ψ(2-jt-k)} (5)其中j是尺度因子，k是平移因子。
④從而得到原始信息的分解信息，采用下式進行計算 其中第一項代表近似信息，第二項為細節信息。逼近因子aJ，k與細節因子dj，k采用Mallat算法計算。其中所采用的Mallat算法的塔式分解圖，如圖2所示。
所述的近似信息AJf(t)與細節信息Djf(t)(j＝1，2，...，J)，定義如下 Djf(t)=Σk∈Zdj,kψj,k(t)---(8)]]>實際聚丙烯生產過程從本質上來說是具有多尺度特性的，各個尺度下的信息含量和所體現的系統特性是不同的，如果直接對系統進行建模，將忽略這種不同，從而導致會導致結果上的偏差。用小波分解提取各個尺度的信息，能更充分的挖掘過程數據所攜帶的信息，提升結果的精確度。
3)上位機6的主元分析模塊9，進行主元分析，提取主成分。所述的主元分析總方差提取率大于80％，計算過程采用協方差奇異值分解的方法，采用以下步驟來實現
①計算X的協方差陣，記為∑X；②對∑X進行奇異值分解，得到特征根λ1，λ2，...，λp，其中λ1≥λ2≥...≥λp，對應的特征向量矩陣為U；③計算總方差和每個特征值對應的方差貢獻率，按各個特征值的方差貢獻率從大到小累加直到總的方差貢獻率達到給定值，記選取個數為k；④選取特征向量矩陣U的前k列，作為變換矩陣T；⑤計算主元，通過式子F＝T×X計算得到主元F。
很顯然，分析系統在一個低維空間要比在一個高維空間容易得多。主元分析在力求數據信息丟失最少的原則下，對高維的變量空間降維，以得到丙烯聚合生產過程變量體系的少數幾個線性組合，并且這幾個線性組合所構成的綜合變量將盡可能多地保留原丙烯聚合生產過程變量變異方面的信息。
4)上位機6的小波重構功能模塊10，進行小波重構。
根據小波理論，將丙烯聚合生產過程各尺度下得到的主元相加，即得到丙烯聚合生產過程總的主元。
5)訓練上位機6中的支持向量機分類器功能模塊11的分類模型。
所述的上位機6中的支持向量機分類器功能模塊9的核函數，采用徑向基函數K(xi，x)＝exp(-‖x-xi‖/σ2)，將訓練過程化為如下二次規劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(9)]]>從而得到分類函數，即如下函數的符號函數f(x)=Σi=1myiαiK(xi,x)+b---(10)]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；定義當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態。
支持向量機基于統計學習理論，采用結構風險最小化準則，很好地解決了工業聚丙烯生產熔融指數檢測過程中存在的小樣本、局部極小點、高維數等難題，用于工業聚丙烯生產熔融指數檢測的分類問題能提高分類精度。
4、系統開始投運
1)用定時器，設置好每次采樣的時間間隔；2)現場智能儀表2檢測過程數據并傳送到DCS數據庫5的實時數據庫中；3)上位機6在每個定時周期從DCS數據庫5的實時數據庫中，得到最新的變量數據，作為待診斷數據VX；4)待檢測數據VX，在上位機6的標準化處理功能模塊7中，用訓練時得到的TX和σx2進行標準化處理，并將標準化處理后的數據作為小波分解模塊8的輸入；5)上位機6的小波分解模塊8，用訓練時同樣的參數對輸入數據進行小波分解，得到的系數作為上位機6中主元分析模塊9的輸入；6)上位機6的主元分析模塊9，用訓練時得到的變換矩陣T對輸入進行變換，變換后矩陣輸入到上位機6的小波重構模塊10；7)上位機6的小波重構模塊10，將對應的數據相加即得到原待測數據的主成分，并將所得到的組成分輸入到上位機6的支持向量機分類器模塊11；8)上位機6的支持向量機分類器模塊11，將輸入代入訓練得到的判別函數，計算判別函數值，判別過程的狀態，并在上位機6的人機界面上顯示過程的狀態9)上位機6將故障診斷結果傳給DCS，并在DCS的控制站4顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示，使得現場操作工可以及時應對。
5、分類器模型更新在系統投運過程中，定期將工業聚丙烯生產過程狀態正常的點添加到訓練集TX中，重復步驟3的訓練過程，以便及時更新上位機6的支持向量機分類器11的分類模型，使分類器模型具有較好的分類效果。
下面詳細說明本發明的一個具體實施例。
以聚丙烯生產HYPOL工藝實際工業生產為例。圖三給出了典型的Hypol連續攪拌釜(CSTR)法生產聚丙烯的工藝流程圖，前2釜是CSTR反應器、后2釜是流化床反應器(FBR)。選取主催化劑流率、輔催化劑流率、三股丙烯進料流率、釜內流體溫度、釜內流體壓強、釜內液位、釜內氫氣體積濃度九個易測操作變量作為模型的輸入量，從生產過程的DCS系統中獲取這九個參數的數據作為訓練樣本，其中五十個正常的樣本作為訓練集，另二十二個樣本點作為測試集數據驗證診斷效果。小波分解層數為5，PCA提取主成分個數為7，支持向量機核參數為5，置信概率0.98，采樣周期為2小時。圖5為MS-PAC-SVM檢測效果圖，圖中只畫出了前兩個主成分的分布。表1列出了圖5相對應的測試集中實際故障點和本系統檢測出的故障點，可以看出僅15號故障點漏報，誤報率為0。顯然，本系統具有較高的診斷準確性。
表1。
實施例2參照圖1、圖2、圖3以及圖4，一種工業聚丙烯生產熔融指數檢測故障診斷方法，所述的故障診斷方法包括以下步驟(1)、確定故障診斷所用的關鍵變量，從DCS數據庫的歷史數據庫中分別采集系統正常和故障時所述變量的數據作為訓練樣本TX；(2)、在小波分解模塊8、主元分析模塊9和支持向量機分類器模塊11中，分別設置小波分解層數、主元分析方差提取率、支持向量機核參數和置信概率等參數，設定DCS中的采樣周期；(3)、訓練樣本TX在上位機6中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3.3)標準化X=TX-TX‾σx,---(3)]]>其中，N為訓練樣本數。
(4)、用于采用Mallat塔式分解算法將采集的原始信號分解為一系列近似信息和細節信息，采用以下步驟來實現①將原始信號空間V0可以分解為一系列逼近空間VJ與細節空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ。空間VJ由尺度函數{J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)} (4)
③計算細節空間Wj。細節空間Wj由小波函數{ψj，k(t)，j＝1，...，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)} (5)其中j是尺度因子，k是平移因子；④從而得到原始信息的分解信息，采用下式進行計算 其中，第一項代表近似信息，第二項為細節信息，逼近因子aJ，k與細節因子dj，k采用Mallat算法計算；所述的近似信息AJf(t)與細節信息Djf(t)(j＝1，2，...，J)，定義如下 Djf(t)=Σk∈Zdj,kψj,k(t)---(8)]]>(5)、進行主元分析提取主成分，采用協方差奇異值分解的方法，采用以下步驟來實現①計算X的協方差陣，記為∑X；②對∑X進行奇異值分解，得到特征根λ1，λ2，...，λp，其中λ1≥λ2≥...≥λp，對應的特征向量矩陣為U；③計算總方差和每個特征值對應的方差貢獻率，按各個特征值的方差貢獻率從大到小累加直到總的方差貢獻率達到給定值，記選取個數為k；④選取特征向量矩陣U的前k列，作為變換矩陣T；⑤計算主元，通過式子F＝T×X計算得到主元F；(6)、進行小波重構，根據小波理論，將各尺度下得到的主元相加，即得到總的主元；(7)、核函數采用徑向基函數K(xi，x)＝exp(-‖x-xi‖/σ2)，將訓練過程化為如下二次規劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(9)]]>得到分類函數，即如下函數的符號函數f(x)=Σi=1myiαiK(xi,x)+b---(10)]]>
其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；定義當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態；(8)、將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；對待檢測數據VX用訓練時得到的TX和σx2進行標準化處理，并將標準化處理后的數據作為小波分解模塊的輸入，用訓練時相同的參數對輸入數據進行小波分解，得到的系數作為中主元分析模塊的輸入；用訓練時得到的變換矩陣T對輸入進行變換，變換后矩陣輸入到小波重構模塊；將對應的數據相加即得到原待測數據的主成分，并將所得到的主成分輸入到支持向量機分類器模塊；將輸入代入訓練得到的判別函數，計算判別函數值，判別過程的狀態。
所述的故障診斷方法還包括(9)、定期將過程狀態正常的點添加到訓練集VX中，重復(3)～(7)的訓練過程，以便及時更新支持向量機分類器的分類模型。
在所述的(8)中，計算判別函數值，并在上位機的人機界面上顯示過程的狀態，上位機將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
所述的關鍵變量包括主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)、釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α。
權利要求
1.一種工業聚丙烯生產熔融指數檢測故障診斷系統，包括與聚丙烯生產過程對象連接的現場智能儀表、DCS系統以及上位機，所述的DCS系統由數據接口、控制站、數據庫構成；智能儀表、DCS系統、上位機依次相連，其特征在于所述的上位機包括標準化處理模塊，用于對數據庫中采集系統正常時關鍵變量數據進行標準化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數，TX為訓練樣本的均值；小波分解功能模塊，用于采用Mallat塔式分解算法將原始信號分解為一系列近似信息和細節信息，根據小波分解層數，采用以下步驟來實現①將原始信號空間V0可以分解為一系列逼近空間VJ與細節空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ，空間VJ由尺度函數{J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)} (4)③計算細節空間Wj，細節空間Wj由小波函數{ψj，k(t)，j＝1，…，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)} (5)其中j是尺度因子，k是平移因子；④從而得到原始信息的分解信息，采用下式進行計算 其中，第一項代表近似信息，第二項為細節信息，逼近因子aJ，k與細節因子dj，k采用Mallat算法計算；所述的近似信息AJf(t)與細節信息Djf(t)(j＝1，2，…，J)，定義如下 Djf(t)=Σk∈Zdj,kψj,k(t)---(8)]]>主元分析模塊，用于進行主元分析提取主成分，依照設置的主元分析方差提取率，采用協方差奇異值分解的方法，采用以下步驟來實現①計算X的協方差陣，記為∑X；②對∑X進行奇異值分解，得到特征根λ1，λ2，…，λp，其中λ1≥λ2≥…≥λp，對應的特征向量矩陣為U；③計算總方差和每個特征值對應的方差貢獻率，按各個特征值的方差貢獻率從大到小累加直到總的方差貢獻率達到給定值，記選取個數為k；④選取特征向量矩陣U的前k列，作為變換矩陣T；⑤計算主元，通過式子F＝T×X計算得到主元F；小波重構功能模塊，用于進行小波重構，根據小波理論，將各尺度下得到的主元相加，即得到總的主元；支持向量機分類器功能模塊，用于核函數采用徑向基函數K(xi，x)＝exp(-‖x-xi‖/σ2)，依照設置的置信概率，將訓練過程化為如下二次規劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(9)]]>得到分類函數，即如下函數的符號函數f(x)=Σi=1myiαiK(xi,x)+b---(10)]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；定義當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態；信號采集模塊，用于設定每次采樣的時間間隙，采集現場智能儀表的信號；待診斷數據確定模塊，用于將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；故障診斷模塊，用于對待檢測數據VX用訓練時得到的TX和σx2進行標準化處理，并將標準化處理后的數據作為小波分解模塊的輸入，用訓練時相同的參數對輸入數據進行小波分解，得到的系數作為主元分析模塊的輸入；用訓練時得到的變換矩陣T對輸入進行變換，變換后矩陣輸入到小波重構模塊；將對應的數據相加即得到原待測數據的主成分，并將所得到的組成分輸入到支持向量機分類器模塊；將輸入代入訓練得到的判別函數，計算判別函數值，判別過程的狀態。
2.如權利要求1所述的工業聚丙烯生產熔融指數檢測故障診斷系統，其特征在于所述的上位機還包括判別模型更新模塊，用于定期將過程狀態正常的點添加到訓練集VX中，輸出到標準化處理模塊、小波分解模塊、主元分析模塊、小波重構功能模塊，并更新支持向量機分類器的分類模型。
3.如權利要求1或2所述的工業聚丙烯生產熔融指數檢測故障診斷系統，其特征在于所述的上位機還包括結果顯示模塊，用于將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，并通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
4.如權利要求3所述的工業聚丙烯生產熔融指數檢測故障診斷系統，其特征在于所述關鍵變量包括主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)、釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α。
5.一種用如權利要求1所述的工業聚丙烯生產熔融指數檢測故障診斷系統實現的故障診斷方法，其特征在于所述的故障診斷方法包括以下步驟(1)、確定故障診斷所用的關鍵變量，從DCS數據庫的歷史數據庫中分別采集系統正常和故障時所述變量的數據作為訓練樣本TX；(2)、在小波分解模塊、主元分析模塊和支持向量機分類器模塊中，分別設置小波分解層數、主元分析方差提取率、支持向量機核參數和置信概率參數，并設定DCS中的采樣周期；(3)、訓練樣本TX在上位機中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi---(1)]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>3.3)標準化X=TX-TX‾σx---(3)]]>其中，N為訓練樣本數，N為訓練樣本數，TX為訓練樣本的均值；(4)、用于采用Mallat塔式分解算法將采集的原始信號分解為一系列近似信息和細節信息，采用以下步驟來實現①將原始信號空間V0可以分解為一系列逼近空間VJ與細節空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ。空間VJ由尺度函數{J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)}(4)③計算細節空間Wj。細節空間Wj由小波函數{ψj，k(t)，j＝1，…，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)}(5)其中j是尺度因子，k是平移因子；④從而得到原始信息的分解信息，采用下式進行計算 其中，第一項代表近似信息，第二項為細節信息，逼近因子aJ，k與細節因子dj，k采用Mallat算法計算；所述的近似信息AJf(t)與細節信息Djf(t)(j＝1，2，…，J)，定義如下 Djf(t)=Σk∈Zdj,kψj,k(t)---(8)]]>(5)、進行主元分析提取主成分，采用協方差奇異值分解的方法，采用以下步驟來實現①計算X的協方差陣，記為∑X；②對∑X進行奇異值分解，得到特征根λ1，λ2，…，λp，其中λ1≥λ2≥…≥λp，對應的特征向量矩陣為U；③計算總方差和每個特征值對應的方差貢獻率，按各個特征值的方差貢獻率從大到小累加直到總的方差貢獻率達到給定值，記選取個數為k；④選取特征向量矩陣U的前k列，作為變換矩陣T；⑤計算主元，通過式子F＝T×X計算得到主元F；(6)、進行小波重構，根據小波理論，將各尺度下得到的主元相加，即得到總的主元；(7)、核函數采用徑向基函數K(xi，x)＝exp(-‖x-xi‖/σ2)，將訓練過程化為如下二次規劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(9)]]>得到分類函數，即如下函數的符號函數f(x)=Σi=1myiαiK(xi,x)+b---(10)]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；定義當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態；(8)、將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；對待檢測數據VX用訓練時得到的TX和σx2進行標準化處理，并將標準化處理后的數據作作為主元分析模塊的輸入；用訓練時得到的變換矩陣T對輸入進行變換，變換后矩陣輸入到支持向量機分類器模塊；將輸入代入訓練得到的判別函數，計算判別函數值，判別過程的狀態。
6.如權利要求5所述的工業聚丙烯生產熔融指數檢測故障診斷方法，其特征在于所述的故障診斷方法還包括(9)、定期將過程狀態正常的點添加到訓練集VX中，重復(3)～(7)的訓練過程，以便及時更新支持向量機分類器的分類模型。
7.如權利要求5或6所述的工業聚丙烯生產熔融指數檢測故障診斷方法，其特征在于在所述的(8)中，計算判別函數值，并在上位機的人機界面上顯示過程的狀態，上位機將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
8.如權利要求7所述的工業聚丙烯生產熔融指數檢測故障診斷方法，其特征在于所述的關鍵變量包括主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)、釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α。
全文摘要
一種工業聚丙烯生產熔融指數檢測故障診斷系統，包括與工業過程對象連接的現場智能儀表、DCS系統以及上位機，所述的DCS系統由數據接口、控制站、數據庫構成；智能儀表、DCS系統、上位機依次相連，所述的上位機包括標準化處理模塊、小波分解模塊、主元分析功能模塊、小波重構功能模塊、支持向量機分類器功能模塊以及故障判斷模塊。以及提出了一種故障診斷方法。本發明提供一種同時考慮工業過程數據的復共線性、非線性特性和多尺度特性、能夠得到良好的診斷效果的工業聚丙烯生產熔融指數檢測故障診斷系統及方法。
文檔編號G05B13/02GK101046687SQ20061015541
公開日2007年10月3日 申請日期2006年12月22日 優先權日2006年12月22日
發明者劉興高 申請人:浙江大學