一種工業過程故障檢測方法
【技術領域】
[0001] 本發明設及自動檢測技術領域，具體地說，設及一種工業過程故障檢測方法。
【背景技術】
[0002] 高爐煉鐵是現代鋼鐵生產中的重要環節。為了使高爐能夠安全高效運行，對高爐 煉鐵過程的監控及故障的檢測就顯得尤為重要。然而，由于高爐煉鐵系統十分復雜并且缺 乏直接測量，一般難W構建精確的數學模型。
[0003] 目前現存的高爐診斷方法主要基于專家系統。然而，只有訓練數據包含充分多的 歷史故障信息并且規則足夠詳盡時，專家系統才能達到預期效果。同時，由于原料限制等原 因，國內高爐煉鐵過程中使用專家系統進行過程監控的比例仍然較低。
【發明內容】
[0004] 為解決上述問題，本發明提供了 一種工業過程故障檢測方法，所述方法包括：
[0005] 獲取待檢測工業過程的運行數據，并利用預設滑動時間窗口對所述運行數據進行 處理，得到不同窗口下的運行數據矩陣；
[0006] 計算第1運行數據矩陣Xi的協方差矩陣的特征值Λ 1和特征向量Pi，根據所述第1運 行數據矩陣Xi的協方差矩陣的特征值Ai和特征向量Pi，采用迭代的方式確定其它各個運行 數據矩陣的協方差矩陣的特征值和特征向量；
[0007] 根據各個運行數據矩陣的協方差矩陣的特征值和特征向量，計算各個運行數據矩 陣的檢測指數，并將各個所述檢測指數分別與預設檢測指數闊值進行比較，根據比較結果 判斷所述待檢測工業過程是否出現故障。
[000引根據本發明的一個實施例，計算第1運行數據矩陣Xi的協方差矩陣的特征值Λ 1和 特征向量Pi的步驟包括：
[0009] 對所述第1運行數據矩陣Xi進行標準化處理，并計算標準化處理后的第1運行數據 矩陣的協方差矩陣，得到第1協方差矩陣；
[0010] 對所述第1協方差矩陣進行分解，得到所述第1協方差矩陣的特征值A1和特征向 量&。
[0011] 根據本發明的一個實施例，根據如下表達式計算所述第1協方差矩陣：
[0012]
[0013] 其中，Cl表示第1協方差矩陣，W表示預設滑動時間窗口的長度，《表示第1運行數 據矩陣的標準化矩陣。
[0014] 根據本發明的一個實施例，根據如下表達式計算所述第1運行數據矩陣Xi的協方 差矩陣的特征值Λ 1和特征向量Pi:
[0015] Ci = PiAiP/
[0016] 其中，C讀示第1協方差矩陣。
[0017] 根據本發明的一個實施例，采用迭代的方式確定其它各個運行數據矩陣的協方差 矩陣的特征值和特征向量的步驟包括：
[0018] 對第k運行數據矩陣Xk的協方差矩陣進行兩次秩1變換，分別得到所述第k運行數 據矩陣Xk的協方差矩陣經過第一次秩1變換后的特征值Λ;,和特征向量巧,，W及經過第二次 秩1變換后的特征值Λ自和特征向量聲;
[0019]根據兩次秩1變換所得到的特征向量計算第k+蠟行數據矩陣Xk+i的協方差矩陣的 特征向量Pk+i，根據第k運行數據矩陣Xk+i的協方差矩陣經過第二次秩1變換后的特征值At。 計算第k+1運行數據矩陣Xk+i的協方差矩陣的特征值Ak+i。
[0020]根據本發明的一個實施例，根據如下表達式計算第k+1運行數據矩陣Xk+i的協方差 矩陣的特征值Λ k+i和特征向量Pk+i:
[0023] 根據本發明的一個實施例，計算各個運行數據矩陣的檢測指數的步驟包括：
[0024] 根據第k運行數據矩陣Xk的協方差矩陣Ck的特征值Ak和特征向量Pk，對所述第k運 行數據矩陣Xk進行變換，得到對應于所述第k運行數據矩陣Xk的變元化；
[0025] 計算所述變元化的各個統計特征值，并根據所述各個統計特征值得到所述變元化 的統計特性Sk;
[0026] 根據統計特性Sk計算第k運行數據矩陣Xk的檢測指數Dk。
[0027] 根據本發明的一個實施例，根據如下表達式計算各個運行數據矩陣的變元：
[002引 Tk = XkPk
[0029] 其中，化和Pk分別表示第k運行數據矩陣Xk的變元和協方差矩陣Ck的特征向量。
[0030] 根據本發明的一個實施例，變元的統計特征值包括:一階統計量、二階統計量和高 階統計量，其中，根據如下表達式計算統計特性Sk:
[0031]
[0032] 其中，Wk和Ik分別表示第k運行數據矩陣Xk的一階統計量和二階統計量，Qk表示 第k運行數據矩陣Xk的高階統計量。
[0033] 根據本發明的一個實施例，根據如下表達式計算檢測指數化：
[0034] Dk=||(Sk-So)C-i||p
[0035] 其中，So表示正常工況下統計特性的樣本均值，C表示統計量樣本標準差構成的對 角陣，P表示范數類型。
[0036] 從上述描述中可W看出，本發明所提供的過程異常狀態檢測方法采用了遞推變元 分析的方式來確定過程的異常狀態。由于遞推變元統計分析算法對過程數據的微小變化十 分敏感，因此本實施例所提供的方法可W有效檢測出微小故障，從而實現對高爐異常爐況 的檢測。
[0037] 首先，與基于專家系統的高爐異常檢測方法相比，本發明所提出的過程異常狀態 檢測方法不需要歷史故障信息，并且避免了冗雜的規則訓練過程。因此本發明也就更易于 實現且更為高效。
[0038] 其次，與傳統的多元統計過程監控方法相比，本發明提出的方法利用了樣本之間 的信息，采用滑動時間窗口并在窗口內分析數據的統計特性，在一定程度上避免了單點監 控的多元統計方法對微小故障檢測的漏報問題。
[0039] 最后，在算法復雜度方面，與傳統的基于QR分解的特征值分解方法比，本發明所采 用的遞推變元統計分析方法利用兩次秩1變換進行特征值和特征向量的迭代計算，降低了 算法的復雜度，提高了算法的效率。
[0040] 本發明的其它特征和優點將在隨后的說明書中闡述，并且，部分地從說明書中變 得顯而易見，或者通過實施本發明而了解。本發明的目的和其它優點可通過在說明書、權利 要求書W及附圖中所特別指出的結構來實現和獲得。
【附圖說明】
[0041] 為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現 有技術描述中所需要的附圖做簡單的介紹：
[0042] 圖1是根據本發明一個實施例的確定控制限的流程圖；
[0043] 圖2是根據本發明一個實施例的在線檢測的流程圖；
[0044] 圖3是根據本發明一個實施例的利用現有基于SPE曲線進行檢測的PCA方法進行爐 況檢測的過程監控圖；
[0045] 圖4是根據本發明一個實施例的利用現有基于T2曲線進行檢測的PCA方法進行爐 況檢測的過程監控圖；
[0046] 圖5是根據本發明一個實施例的利用基于本方法的過程異常檢測方法進行爐況檢 測的過程監控圖。
【具體實施方式】
[0047] W下將結合附圖及實施例來詳細說明本發明的實施方式，借此對本發明如何應用 技術手段來解決技術問題，并達成技術效果的實現過程能充分理解并據W實施。需要說明 的是，只要不構成沖突，本發明中的各個實施例W及各實施例中的各個特征可W相互結合， 所形成的技術方案均在本發明的保護范圍之內。
[0048] 同時，在W下說明中，出于解釋的目的而闡述了許多具體細節，W提供對本發明實 施例的徹底理解。然而，對本領域的技術人員來說顯而易見的是，本發明可W不用運里的具 體細節或者所描述的特定方式來實施。
[0049] 另外，在附圖的流程圖示出的步驟可W在諸如一組計算機可執行指令的計算機系 統中執行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可不同于此處 的順序執行所示出或描述的步驟。
[0050] 為了充分利用高爐數據的信息，一些數據驅動的故障診斷方法被應用于高爐煉鐵 過程監控中，運些方法包括支持向量機（S叩pod Vector Machine)方法和神經網絡 (Neural Networks)方法。近年來，也出現了一些利用基于多元統計分析(Multivariate Statistical Analysis)來對高爐煉鐵過程進行監控的故障診斷方法，例如主元分析 (Principal Component Analysis)等方法。
[0