75基于mpca-mdpls的间歇过程的故障诊断

1、 第56卷 第3期 2005年3月 化工学and报 EngineeringChinaVol.56 No.3 March 2005Journal ofChemical Industryeeeee研究论文 基于 MPCA-MDPLS的间歇过程的故障诊断 蒋丽英!王树青 工业控制技术国家重点实验室 浙江大学先进控制研究所 浙江 杭州 310027摘要 针对间歇过程的故障诊断问题 提出了一种新的混合模型方法MPCA-MDPLS. 这种方法包括两个模型 多向主元分析 MPCA模型和多向判别部分最小二乘 MDPLS模型.这两个模型的建模数据不仅包括正常工况的数据而且还包含了各种已知故障数据.因此 MPCA

2、 模型具有检测未知故障的能力.给出了 MD-PLS模型故障诊断限 对经 MPCA 模型检测不是未知故障的故障做进一步诊断. 如果故障是未知的可以采取其他的方法来分析新的故障 并按不同类别存入到数据库中. 当多次出现这种故障之后 一般25次 把新的故障数据加入到建模数据中 并重新建立 MPCA-MDPLS 模型. 通过对实际工业链霉素发酵过程数据的分析 表明了提出的算法是可行的 有效的 并具有识别未知新故障的能力.关键词 间歇过程 主元分析 判别部分最小二乘 故障诊断 中图分类号TP277文献标识码 A文章编号0438-1157 2005 03-0482-05Faultdiagnosisforb

3、atchprocessesbasedon MPCA-MDPLSJIANG Liying!WANGShuCingNationalLaborator$ofIndustrialControlTechnolog$ituteofAduancedproces ControlZhejiangUniuersit$ angzhou310027 Zhejiang ChinaAbstract Inordertodiagnosefaultsforbatch processes anovel method MPCA-MDPLS model ispresentedin this paper. The proposedme

4、thod includes tWo models MPCAmultiWay principalcomponentanalysismodeland MDPLSmultiWaydiscriminantpartial eastsCuaresmodel.basedondatacolectedfromtheplantduringnormaloperationandspecificfaults tWomodelsareconstructed.TheMPCA modelcandetectunknoWnfaults.ThefaultsWhicharedetectedbyusing MPCA modelasno

5、tunknoWnarefurtherdiagnosedbythe MDPLS model.IfitisidentifiedasunknoWntherootcauseisanalyZedbyusingvariousmethods.TheunknoWnfaultisthensavedinthehistoricaldatabaseinorderto reconstructtheMPCA-MDPLSmodel.Themethodisprovedtobefeasibleandefectivebytheapplicationindiagnosingamulti-stagestreptomycinferme

6、ntationprocess.KeyWords batchprocesses principalcomponentanalysis discriminantpartialeastsCuares faultdiagnosis来消除故障或停止该批生产以减少对原材料的浪费和设备的占用.间歇过程具有反应周期短 操作重复性高 内部动态特性变化快 变量之间相互关联等特点 难以建立间歇过程的机理模型. 近年来随着计算机系统 数据库系统的普及应用 使工厂拥有了相当丰富的生产数据资源 这些数据资源不 仅包括正常工况的数据 而且还包括各种故障数 引 言 间歇过程 如制药 生化 饮料 食品等 以其固有的柔性操作特长

7、及迅速响应市场要求变化的能力 越来越受到重视 因此对间歇过程的监控和故障诊断成为控制界研究热点之一.如能在早期检测和诊断出故障可以帮助操作人员采取修正措施 2003-12-01收到初稿 2004-04-28收到修改稿.联系人及第一作者 蒋丽英 1976女 博士研究生.Receiveddate2003-12-01. CorespondingauthorJIANG Liying PhDcandidate. FoundationitemsupportedbytheNationaligh TechnologyDevelopmentProgramofChina 2001AA413110 .基金项目国家高

8、技术研究发展计划项目 2001AA413110.eeee .483.第3期蒋丽英等 基于 MPCA-MDPLS的间歇过程的故障诊断 据.而多元统计分析 MSPC就是以这些数据为基础建立统计模型 用于实现统计质量控制 过程 监控 生产数据的分析挖掘 故障诊断等.多元统 而输出变量矩阵Y 是与故障有关的矩阵.在 DPLS 中输入变量矩阵XRn7 是由 7其中i 是第i个变量和P 种故障类的数据构成的个故障类的观测样本数目则有1+2 +_ +P =计分析方法包括主元分析 principalcomponenta-n.输出变量矩阵YRnP 为 部 分 最 小 二 乘 nalysisPCApartiall

9、east等. 多向主元分析 1sCuares PLSmultiWay方法是对Y=block-diag1 1 1 1 _ 1 1112Pprincipalcomponentanalysis MPCA式 中 矩阵中的每一列代表了一种故障类Y表示的是i 个元素都为1的列向量.1 1i间歇过程故障检测的一种简单有效的方法 它是以过程的正常工况的数据建立统计模型. 判别部分最 _i=1 2P.所以 矩阵Y 中的每个元素是由 G17 和 G07组成的.第一列中前1 个元素为 G17 它表示X中前1 行的数据来自于故障类1.所以 Y 中的每一行表示故障特征集.首先 对输入变量矩阵X 和输出变量矩阵Y 预处理

10、 即减去各自的均值 并除以它们的标准差.输小 二 乘 23discriminant partialleast sCuaresDPLS是主要用于模式分类的一种降维技术 它是从PLS演变过来的.DPLS 与 PLS 主要的不同之处在于输出变量矩阵的选择 PLS输出变量矩阵是选择代表产品质量的数据而 DPLS输出变量矩阵是选择代表不同模式类 不同故障类 的数据.但是 DPLS仅仅能对已知的故障类进行有效的分类 它本身不具有对新故障的学习能力.若有新故障发生 DPLS将把新故障错误地诊断为已知故障中的一种故障.Chiang4 提出了 PCA-FDA 模型对具有未知故障的连续生产过程进行故障诊断. 但是

11、 他在用 PCA模型检测未知故障时 仅仅采用 otelingT2 统计量作为检测的准则 不能很好地区分已知和未知故障.本文根据 MPCA的思想 把 DPLS扩展为多入变量矩阵X 被分解为得分矩阵T阵P R7l 的乘积和残差矩阵ERnl和负荷矩Rn7 之 和 即输入变量矩阵X 的外部关系为 X=TPT +E2式中 l为 PLS主元的个数.输出变量矩阵Y 被分解为得分矩阵U加上残差矩阵F的外部关系为 Rnl和负荷矩阵GRPl的乘积RnP 的和即输出变量矩阵YY=UGT+F3输入变量矩阵X和输出变量矩阵Y之间的内部关系为向 DPLS MDPLS用于间歇过程的故障诊断Y=TBGT+F=XPBGT +F

12、=X!+F4给出了故障诊断限.并把 MPCA与 MDPLS结合式中 !=PBGT 为回归系数矩阵F 是预测误差MPCA-MDPLS 方法对间歇过程进矩阵.内部关系系数矩阵B 被选择使矩阵F 的诱导范数最小.通常采用 NIPALS 5 算法来求得PLS的各种参数矩阵.起来 提出了 行故障诊断. 这种方法具有新故障的学习能力. 本文中的 MPCA 模型与传统的 MPCA 模型有些不同 它是以正常工况和各种已知故障的数据为建立2MPCA-MDPLS模型 统计模型的数据. 用 otelingT2统计量和O 统计量共同作为检测的准则. 因此 MPCA 的职责发生了变化 不再是用于间歇过程的故障检测 而是

13、用于检测未知的故障.MDPLS 模型通过回归关系系数矩阵对故障做出进一步的诊断.数据的预处理 在间歇生产过程中多个批次生产过程的测量数2.1据可以写成X三维数据矩阵其中IIJKJ和K 分别表示批次 变量和时间序列.为了对三维数据进行统计分析 一种有效的方法是把三维数据矩阵X 按时间一片一片地展开并按顺序排列1DPLS的基本原理 DPLS与 PLS一样 都是使输入变量矩阵 X成巨大的二维矩阵X如图1所示.为IJK和输出变量矩阵Y 之间的协方差最大的一种降维技术.不同之处在于 PLS选择输出变量矩阵Y 仅仅包括产品质量数据 这些数据可以是离线测量的;输入变量矩阵X 由其他过程变量的数据组成.而 D

14、PLS选择所有的过程变量为输入变量矩阵X了消除各变量的量纲对数据的影响 通常需将数据进行标准化处理 即减去均值并除以标准差 得到 均值为0 方差为1的数据.假设间歇过程的历史数据库包括正常工况和p-1 484MPCA 模型是根据正常工况数据和各种已知故障数据共同建立统计模型. 所建的 MPCA 模型主要用于检测未知故障 但是它不能检测出所有的未知故障.通过计算平方预测误差 SpE或称为O 统计量和 otelingT2 统计量来实现对未知故障的检测.MPCA模型的SpE控制限是在每个采样点分 别确定它们的控制限 即每个采样时刻误差的二次 Fig.1 Arangementofthree-Wayar

15、ayIiJK种已知的故障数据 并记为 Fi Ri=1形式 本文用2近似 分布来估计每个采样 .SpEg2p其中F 为正常工况下的数据.每种故 Xh1点的控制限 2障类包括I 个批次 J个变量和K 个采样时间.g分布的均值和方差 =ghXhip等于每个时刻SpE 样本的样本均值7G2=2g2h其中 EIi =I.把间歇过程的正常工况数据和特殊 和方差 所以在采样时刻 置信水平为 的u.Goi=1的故障数据依次排放在一个三维矩阵 XISpE的控制限为JK 中 如图2所示.通过上述矩阵展开方法G2 2SpE = u275272u 条X27 uoo把这三维矩阵X 展成二维矩阵X IJK开后的矩阵X 进

16、行标准化处理.并对展22式中 是检验水平为 自o由度为 X27uo件下的chi-方分布的临界值.T2 统计量的控制限可以利用F 分布进行计算 即 G n-12To=n-G FG n-1o6式中 G 为主元模型中所保留的主元的个数 n 为样本数 FGn-1 o是对应于检验水平为o 自由度为Gn-1 条件下的 F 分布临界值. 当主元模型的SpE 或主元模型的得分超出它们的控制限时 就可以认为有未知故障发生.2.2.2 多向 DPLS模型本文提出的 MDPLS的Fig.2Structureoffaultdata思想与 MPCA 的思想类似 即先把三维数据块展成二维矩阵X 然后对展开后的二维矩阵X

17、建立DPLS模型.MDPLS实现了 DPLS的应用领域从连2.2 MPCA-MDPLS模型 MPCA-MDPLS 模型是一种混合模型即把 MPCA和 MDPLS结 合起来进行故障诊断. 在MPCA-MDPLS 模型中 包括两个独立的统计模 型 MPCA 模 型 和 MDPLS模 型. 首 先 利 用MPCA模型检测未知故障. 如果 MPCA模型检测续到间歇过程的扩展.相应的输出矩阵YRIp 为 7Y=block-diag1I11 1I211I 1p式中 1I 1为Ii 个元素都为 1的列向量对应 p.采用 NIPALSi着第i个故障类i=1 2不是未知故障时则用 MDPLS模型对该故障进一算法

18、可以求得 MDPLS的各种参数矩阵. 为了使步分类 已知的某种故障 未知故障 不可分故障 . 如果故障是未知的 则通过分析新故障的可能原因 并存入到数据库中. 当多次出现相同的新故障之后 一般25 次 把这一新的故障数据加入到建模数据中 重新建立 MPCA 模型和MDPLSMDPLS具有 识别未知故障的能力根据训练样本计算每个故障置信水平为 99% 故障诊断限 Ylimit=$1 $2$p其中$i 是第i 类的故障诊断限.当用建好的 MDPLS进行在线故障诊断 模型. 因此MPCA-MDPLS 不仅能识别未知故 时通过回归系数矩阵!可以求得YneW =XneW!=障 并且对新的故障有学习的能力

19、.12p. 如果Y的p 个元素中$neW $neW$neWneW2.2.1 MPCA 模型为了区分本文的 MPCA模 有且仅有一个大于故障诊断限 则该故障为已知的故障 若有两个或两个以上大于各自的故障诊断 限 则说明此故障是不可分的故障 若全部小于故 型与用于故障检测的 MPCA 模型的不同 把后者称为传统的 MPCA 模型.传统的 MPCA 模型是以正常工况的数据为建模数据 从而可以检测过程是 处于正常工况还是异常状态下. 本文中所提到的 障诊断限 则该故障是未知故障 即未被 检测出的未知故障.MPCA -485-第3期蒋丽英等=基于 MPCA-MDPLS的间歇过程的故障诊断 将来观测值的估

20、计众所周知, 只有当一 每8h取样一次. 链霉素发酵过程机理比较复杂, 过程变量多. 这些过程变量对链霉素的菌丝生长和产物合成都有一定的影响. 为了降低原材料和动力的消耗,提高经济效益,必须对链霉素的发酵过程进行故障诊断. 有效的故障诊断方法可以及时地检测和诊断故障, 相应地采取有效的手段排除故障继续生产或停止生产,避免不必要的损失.在本实验中,选取p 值碳源浓度氮源浓度 效价 黏度罐温罐压空气流量8个测量变量作为建立MPCA-MDPLS模型的测量变量. 共有5 种故障类情况下的历史数据报表8被用于建立 MPCA-MD- PLS模型,这些故障类分别是正常工况p 值异常增高 碳源浓度异常增高 空

21、气流量供应不足和氮源浓度偏低.每一故障类的批次数依次选为20 555和5.按上述步骤, 首先构造三维数据矩 阵X 821,并对这三维数据预处理.然后 对预处理之后的数据分别建立MPCA 和 MDPLS 模型,其中 MPCA 的 T2 统计量的99% 控制限为 49.2918,O 统计量的99% 控制限是一条折线 , 主元数为 2.2.3个批次结束之后, 才能得到该批次完整的信息. 所以, 在进行在线故障诊断时, 不得不估计未测量的未知信息. 这是因为当间歇过程当前的运行时间为第G时刻,那么仅有第G 时刻及G 时刻以前的数据是已知的,而第G 时刻以后的数据是未知的. 所以, 必须对未知的数据进行

22、估计, 才能得到完整的测量变量的轨迹. 把第G 时刻及G 时刻以前的测量值数据记为 XneW,G JG, 把第G 时刻以后的未 ,则第XneW G 1 JK-JGG,时刻完整的数据为 XG JKneW=X ,XneW,G XGneWneW G估计未知的数据的方法有=补零法,这种方法往往会延迟故障的检测补当前变化法,这一方法相对第一种方法能够更及时地检测到故障的发生. 因此,本文采用补当前变化法来补充不完整的数据.2.3 基于 MPCA-MDPLS的在线故障诊断 离线建模阶段 收集历史数据库中的正常工况数据和各种 已知故障数据,并对这些数据进行预处理.0.792811.MDPLS模型故障诊断限为

23、Ylimit=建立 MPCA 模型, 根据式 和式 0.7689 0.7145 0.7560 0.8113. 图3 和图4为在线诊断结果,其中图 和图 中的虚线分别为99% 的O 统计量和T2 统计量的控制限.从图3 和图3 可知,SpE 值和T2 值都没超出各自的控制限,所以没有未知故障发生. 图4 的第16 第17 第18 第19 四个采样点的 确定O 统计量和T2 统计量的95%或99%的控制限.建立 MDPLS 模型, 采用 NIPALS 算法求 出回归系数矩阵!,并计算故障诊断限.在线故障诊断阶段 估计第G 采样时刻的未测量观测值, 得到 XG完整测量变量的轨迹 .值超出了控制限,

24、说明有未知故障发生 图SpE 3neW用 MPCA模型判断是否为未知的故障.如 和图4 为故障诊断的结果, 图中纵坐标值1表示的是正常工况2 表示的是p值异常增高3表示的是碳源浓度异常增高4 表示的是氮源浓度偏低5表示的是空气流量供应不足6 表示的是 MPCA模型检测出的未知故障7 表示MPCA模型不能检测出的未知故障8表示不可分故障.显然,从图3 可知, 在第2 和第3 采样时间发生了碳源浓度异常增高的故障. 图4 中第6至第21 采样点都是未知的故障. 因此, 对于已知的故障, 根据诊断结果图可以很清楚地知道什么原因引起的故障.当故障未知时,可以采用贡献图等方法来分析引起故障的原因, 并且

25、按不同的引起故障的原因把新的故障数据存入到数据库中. 故障诊断有助于操作工人采取相应的手段, 来消除 故障或降低故障的影响.果故障不是未知故障,则转到若故障是未知的故障,则转到.应用 MDPLS模型对故障分类, 判断是哪 一类故障.如果故障是未知的故障,则转到否则,转到,对下一时刻进行故障诊断.判断引起新故障的原因, 并把这新故障数 据加入到数据库中,备用.转到.链霉素间歇发酵过程的故障诊断 3链霉素6,7是抗生素的主要品种, 其生产历史长, 在医药应用中量大面广. 工业上链霉素发酵过程测量变量有= 发酵时间p 值 碳源浓度 氮源浓度效价温度黏度罐温罐压空气流量等,整个发酵过程持续约20030

26、0h, 生产上 486Fig.4 ResultsoffaultdiagnosisWithunknoWnfault了 MDPLS模型故障诊断限使 MDPLS具有识别未知故障的能力. 因此 本文提出的方法不仅能够对已知的故障分类 并能识别出未知的新故障 从而降低了误诊断率 提高了故障诊断的性能.References1NomikosPMacGregorJ F. Monitoring batch processesusing multiWay principalcomponentanalysis.1994 40 8 1361 1375AIChE J.2Chiang L RusselE L braatZ

27、 R D. Faultdiagnosisin chemical processes using fisher discriminant analysis discriminantpartialleastsCuares and principalcomponent analysis.Che7o7etricsandInteligentLaborator$S$ste7s 2000 50 243 252ChiangL RusselE L braatZR D. Faultdetectionand diagnosisinindustrialsystems. London Springer Verlag P

28、ress 2001Chiang L . Faultdetectionanddiagnosisforlarge-scalesFig.3 Resultsoffaultdiagnosis结论4DPLS没有提供判断新故障的标准. 当有新的未知故障发生时 它不能正确地诊断故障 而是把3新的故障诊断为已知故障之一 因此具有较高的误诊断率. 针对 DPLS算法的不足 本文提出了4systems dissertation Ilinois 1999学位论文.Ilinois UniversityofMPCA-MDPLS方 法对间歇过程进行故障诊断.MPCA模型可检测出是否有未知故障发生 定义 5GeladiPKo

29、Walskib R. Partial east-sCuaresregression atutorial.Anal$ticaChi7icaActa 1986 185 1 176WangShuCing王树青. ModelingandComputerControl生化反应过程模型化及计算forbiochemicalReactionProcess机控制.angZhou ZhejiangUniversityPress 19987青陈琦ChenYuanCingChenOiWangShuCing王树青.Multivariatestatisticalanalysisforstreptomycin生fermen

30、tation.ChineseJournalof iotechnolg$China物工程学报1999 15 3 368 3728JiangLiying WangShuCing. Monitoringandfaultdiagnosis of batch processes using multi-model fisher discriminant analysis.In The5th WorldCongressonInteligentControl andAutomation.angZhou 2004.1780 1784 基于MPCA-MDPLS的间歇过程的故障诊断 蒋丽英， 王树青， JIANG

31、 Liying， WANG Shuqing作者： 作者单位：刊名： 工业控制技术国家重点实验室,浙江大学先进控制研究所,浙江,杭州,310027化工学报英文刊名： 年，卷(期)： 被引用次数：JOURNAL OF CHEMICAL INDUSTRY AND ENGINEERING(CHINA)2005,56(3)5次 参考文献(8条) 1.Nomikos P;MacGregor J F Monitoring batch processes using multiway principal component analysis1994(08)2.CHIANG L H;Russel E L;Bra

32、atz R D Fault diagnosis in chemical processes using fisher discriminantanalysis, discriminant partial least squares and principal component analysis外文期刊 20003.CHIANG L H;Russell E L;Braatz R D Fault detection and diagnosis in industrial systems 20014.CHIANG L H Fault detection and diagnosis for larg

33、e-scales systems 19995.Geladi P;Kowalski B R Partial least-squares regression:a tutorial外文期刊 19866.王树青 生化反应过程模型化及计算机控制 19987.青;陈琦;王树青 Multivariate statistical analysis for streptomycin fermentation 1999(03)8.Jiang Liying;Wang Shuqing Monitoring and fault diagnosis of batch processes using multi-modelfisher discriminant analysis外文会议 2004本文读者也读过(10条) 1. 刁英湖.陆宁云.姜斌.DIAO Yinghu.LU N