本發(fā)明屬于化工過程故障診斷技術(shù)領(lǐng)域，具體涉及一種基于多層優(yōu)化pcc-sdg的過程故障診斷方法。

背景技術(shù)：

隨著現(xiàn)代工業(yè)規(guī)模的日益擴(kuò)大以及系統(tǒng)復(fù)雜性的不斷提高，化工過程系統(tǒng)對(duì)故障進(jìn)行識(shí)別與檢測(cè)的要求也越來越高。目前，符號(hào)有向圖(sdg)定量化建模較為困難，而基于簡(jiǎn)單相關(guān)性規(guī)律對(duì)全工藝的故障診斷效果并不顯著，雖然簡(jiǎn)單的數(shù)學(xué)模型分析可對(duì)故障進(jìn)行一定的診斷但沒有對(duì)診斷的規(guī)律進(jìn)行深入探討，局部性較強(qiáng)，對(duì)整體性因素有所欠缺，不能保障系統(tǒng)的安全性和穩(wěn)定性，應(yīng)用較為困難。

化工系統(tǒng)過程的正常運(yùn)行遵循第一定律，因而使工藝變量之間呈現(xiàn)出復(fù)雜的關(guān)聯(lián)特性，而sdg對(duì)過程工藝及設(shè)備的圖式抽象特點(diǎn)可表示全流程變量之間的復(fù)雜因果影響關(guān)系，且sdg理論已經(jīng)成功應(yīng)用于工業(yè)過程，方法較為成熟但對(duì)sdg定量化建模方法的研究較少。相關(guān)系數(shù)故障診斷是化工領(lǐng)域中一種新的故障檢測(cè)方法，通過以皮爾遜相關(guān)系數(shù)(pcc)結(jié)合符號(hào)有向圖(sdg)來進(jìn)行故障識(shí)別與檢測(cè)，可最大限度地挖掘出故障在復(fù)雜系統(tǒng)的內(nèi)部影響過程，更加全面地診斷故障保證系統(tǒng)安全性。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供一種基于全流程的定性(sdg)與定量(pcc)故障診斷方法，可代替?zhèn)鹘y(tǒng)故障診斷方法，有較好的故障診斷效果。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

基于多層優(yōu)化pcc-sdg的化工過程故障診斷方法，包括pcc建模進(jìn)行相關(guān)性分析，sdg進(jìn)行變量?jī)?yōu)化等，其具體步驟如下：

(1)利用符號(hào)有向圖(sdg)對(duì)具體化工工藝過程選取變量，建立sdg初始網(wǎng)絡(luò)；

(2)提取變量的實(shí)時(shí)數(shù)據(jù)片段并構(gòu)建數(shù)據(jù)向量集進(jìn)行相關(guān)性分析，制定相關(guān)系數(shù)接受標(biāo)準(zhǔn)，確定初始閾值；

(3)利用進(jìn)行相關(guān)性分析的皮爾遜相關(guān)系數(shù)選取初始特征變量，并建立變量相關(guān)系數(shù)組進(jìn)行權(quán)重分析；

(4)根據(jù)相關(guān)系數(shù)組的權(quán)重分析及工藝分析確定最終優(yōu)化變量，從多層相關(guān)系數(shù)組中選取權(quán)重較大的相關(guān)系數(shù)集構(gòu)建pcc-sdg優(yōu)化圖；

(5)根據(jù)聚集權(quán)重系數(shù)q規(guī)則檢測(cè)故障并利用狀態(tài)之間的相關(guān)差異度識(shí)別何種類型的故障。

(6)當(dāng)參數(shù)q＞1時(shí)，即系統(tǒng)出現(xiàn)了故障，進(jìn)行一步利用相關(guān)差異度確定故障類型尋找故障源，否則為正常狀態(tài)并重新提取數(shù)據(jù)進(jìn)行檢測(cè)。

本發(fā)明方法可完全識(shí)別工藝系統(tǒng)的運(yùn)行狀態(tài)，尋找故障源解決故障，是解決化工過程系統(tǒng)故障的一個(gè)新思路。

本發(fā)明的有益效果如下：

(1)本發(fā)明提供了基于定性sdg和定量pcc的化工故障多層優(yōu)化方法，利用該方法不僅能夠準(zhǔn)確地判斷故障狀態(tài)及完善sdg建?；椒?，同時(shí)還能使化工過程故障診斷領(lǐng)域提供一個(gè)新的思路，深度挖掘工藝流程信息，提高了操作人員的工作效率，防止故障隱患而造成生產(chǎn)過程非計(jì)劃停工等問題。

(2)本發(fā)明方法是由一定時(shí)段的變量檢測(cè)值決定，可對(duì)隨機(jī)干擾的異常測(cè)量值具有一定的過濾作用，可保障化工過程系統(tǒng)的正常有效運(yùn)行以盡量減少非安全因素帶來的經(jīng)濟(jì)損失。

附圖等說明

圖1為多層優(yōu)化的pcc-sdg方法流程示意圖；

圖2sdg初始網(wǎng)絡(luò)示意圖；

圖3最優(yōu)pcc-sdg網(wǎng)絡(luò)示意圖；

圖4正常狀態(tài)與故障狀態(tài)聚集權(quán)重系數(shù)q對(duì)比圖；

表1te過程的22個(gè)連續(xù)測(cè)量變量(mst)；

表2優(yōu)化變量mov連續(xù)測(cè)量變量相關(guān)系數(shù)集；

表3故障1的q參數(shù)；

表4故障8的q參數(shù)；

表5故障13的q參數(shù)；

表6故障16的q參數(shù)。

具體實(shí)施方式

為了使本領(lǐng)域的人員更好地理解本發(fā)明的技術(shù)方案，下面對(duì)本發(fā)明的技術(shù)方案進(jìn)行清楚、完整的描述，基于本申請(qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)的前提下所獲得的其它類同實(shí)施例，都應(yīng)當(dāng)屬于本申請(qǐng)保護(hù)的范圍。

實(shí)施例一：

如圖1所示，通過流程框圖的形式將一種多層優(yōu)化pcc-sdg的化工過程故障診斷方法進(jìn)行了說明，包括sdg深度挖掘工藝信息，pcc定量?jī)?yōu)化故障診斷等，其具體步驟如下：

(1)分析te(tennesseeeastman)過程并選取22個(gè)連續(xù)測(cè)量變量，建立符號(hào)有向圖(sdg)初始網(wǎng)絡(luò)；

(2)提取te過程變量的實(shí)時(shí)數(shù)據(jù)片段構(gòu)建數(shù)據(jù)向量集并進(jìn)行相關(guān)系數(shù)分析，制定相關(guān)系數(shù)接受標(biāo)準(zhǔn)，確定初始閾值；

(3)利用進(jìn)行相關(guān)性分析的皮爾遜相關(guān)系數(shù)選取初始特征變量，并建立變量相關(guān)系數(shù)組進(jìn)行權(quán)重分析；

(4)由te過程相關(guān)系數(shù)組的權(quán)重分析及工藝分析確定最終優(yōu)化變量，從多層相關(guān)系數(shù)組中選取權(quán)重較大的相關(guān)系數(shù)集構(gòu)建pcc-sdg優(yōu)化圖；

(5)根據(jù)工藝過程相關(guān)性規(guī)律建立的聚集權(quán)重系數(shù)q規(guī)則檢測(cè)故障，且利用狀態(tài)之間的相關(guān)差異度識(shí)別何種類型的故障。

(6)當(dāng)參數(shù)q＞1時(shí)，即系統(tǒng)出現(xiàn)了故障，進(jìn)行一步利用相關(guān)差異度確定故障類型尋找故障源，否則為正常狀態(tài)并重新提取數(shù)據(jù)進(jìn)行檢測(cè)。

步驟(1)(2)中變量選取，數(shù)據(jù)采集等具體如下：

te過程包括12個(gè)操作變量、41個(gè)測(cè)量變量、20種預(yù)先設(shè)定好的故障、6種控制模式。選取測(cè)量變量中的22個(gè)連續(xù)測(cè)量變量為例，將te過程劃分為三個(gè)部分進(jìn)行分析：①反應(yīng)器、冷凝器②氣液分離器、循環(huán)壓縮機(jī)③解吸塔。其中表1包括22個(gè)連續(xù)測(cè)量變量的信息，其正常值均為基本工況下的數(shù)值。每個(gè)訓(xùn)練數(shù)據(jù)包括480組樣本數(shù)據(jù)，測(cè)試數(shù)據(jù)960組樣本數(shù)據(jù)。圖2為符號(hào)有向圖(sdg)初始網(wǎng)絡(luò)。

步驟(3)中得出的變量相關(guān)系數(shù)組進(jìn)行權(quán)重分析結(jié)果如表2所示；

步驟(4)中構(gòu)建的pcc-sdg優(yōu)化圖如圖3所示；

步驟(5)(6)中所需要的故障檢測(cè)信息如表3-6所示，檢測(cè)結(jié)果如圖4所示；

步驟(5)(6)中對(duì)結(jié)果的分析具體如下：

如表3-表6所示，正常狀態(tài)和四個(gè)故障狀態(tài)最優(yōu)變量mfn的q參數(shù)具有明顯的差異性，從對(duì)比圖4中的q值看出正常狀態(tài)和故障狀態(tài)被有效地分離，且故障狀態(tài)都在容錯(cuò)率數(shù)值線以上，進(jìn)一步確定狀態(tài)的相關(guān)差異度，如由故障1,8可知，得到正常狀態(tài)與故障1、8的相關(guān)差異度分別為6和7，而故障1和故障8的相關(guān)差異度為4，這樣就能準(zhǔn)確區(qū)分出故障的類型，確認(rèn)故障源。結(jié)果表明，pcc-sdg方法形成的最優(yōu)變量mfn能精確的區(qū)分正常狀態(tài)和故障狀態(tài)，效果顯著。

表1-6如下所示：

表1te過程連續(xù)測(cè)量變量

表2優(yōu)化變量mov連續(xù)測(cè)量變量相關(guān)系數(shù)集

表3故障1的q參數(shù)

表4故障8的q參數(shù)

表5故障13的q參數(shù)

表6故障16的q參數(shù)

至此，多層優(yōu)化pcc-sdg故障診斷方法順利結(jié)束。

此外，應(yīng)當(dāng)理解，雖然本說明書按照實(shí)施方式加以描述，但并非每個(gè)實(shí)施方式僅包含一個(gè)獨(dú)立的技術(shù)方案，說明書的這種敘述方式僅僅是為清楚起見，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)將說明書作為一個(gè)整體，各實(shí)施例中的技術(shù)方案也可以經(jīng)適當(dāng)組合，形成本領(lǐng)域技術(shù)人員可以理解的其他實(shí)施方式。