谷善茂 張 妮 劉云龍
(濰坊學(xué)院信息與控制工程學(xué)院 山東 濰坊 261061)
?
基于累積和等距映射的緩變故障檢測方法
谷善茂張妮劉云龍
(濰坊學(xué)院信息與控制工程學(xué)院山東 濰坊 261061)
摘要針對化工過程存在的緩變微小故障,提出一種基于累積和等距離映射(CUSUM-ISOMAP)的多變量過程故障檢測方法。該方法首先運(yùn)用累積和控制圖的思想,分別對每一個(gè)變量計(jì)算均值偏差累積和及方差偏差累積和,之后建立擴(kuò)展增廣矩陣,對增廣數(shù)據(jù)運(yùn)用基于ISOMAP的降維特征提取算法建立統(tǒng)計(jì)量進(jìn)行故障檢測。傳統(tǒng)的ISOMAP算法無法獲取輸入輸出數(shù)據(jù)之間的映射關(guān)系,不能處理新的采樣數(shù)據(jù)。引入核嶺回歸算法獲得新采樣點(diǎn)的降維輸出。CSTR過程的仿真結(jié)果表明了算法對過程微小故障實(shí)施故障檢測的有效性。
關(guān)鍵詞累積和控制圖ISOMAP算法核嶺回歸緩變故障故障檢測
0引言
通過多元數(shù)據(jù)的降維方法可以將高維數(shù)據(jù)映射到低維本征空間,獲得多個(gè)變量之間隱含的特征信息,大量線性及非線性的數(shù)據(jù)降維技術(shù)已經(jīng)提出并得到廣泛的應(yīng)用,其中,非線性特征提取技術(shù)能夠處理復(fù)雜的非線性過程,在數(shù)據(jù)存在非線性耦合相關(guān)時(shí),相比于線性降維方法可以得到更為完整的數(shù)據(jù)特征信息[1-5]。
對于流形學(xué)習(xí)數(shù)學(xué)描述的提出引起了故障診斷領(lǐng)域研究者的廣泛重視,作為近年來發(fā)展起來的多變量數(shù)據(jù)的特征提取技術(shù),基于流形學(xué)習(xí)的故障診斷方法得到了初步的應(yīng)用并取得了較好的監(jiān)控效果[6-8]。相對于傳統(tǒng)的PCA、CVA等多元統(tǒng)計(jì)故障檢測算法,基于ISOMAP流形學(xué)習(xí)的故障檢測方法避免了線性假設(shè)的條件[9]。雖然現(xiàn)有文獻(xiàn)對基于流形學(xué)習(xí)的故障檢測和診斷算法開展了一系列的研究,然而仍舊存在一些問題尚未分析解決。一方面,基于流形學(xué)習(xí)的特征提取方法無法確定輸入輸出數(shù)據(jù)之間的映射關(guān)系,對于新的采樣數(shù)據(jù)不易獲得降維輸出。另一方面,在實(shí)際工業(yè)過程中,故障類型并不常為仿真所得的大幅值階躍變化,很大一部分故障為不易觀測的緩慢變化的微小故障,如設(shè)備老化導(dǎo)致其性能逐漸降低,催化劑活性發(fā)生緩慢變化等,這類故障最初出現(xiàn)時(shí),故障征兆較小,故障特征并不明顯,然而隨著時(shí)間的推移,容易造成實(shí)際過程逐漸偏離質(zhì)優(yōu)高效的生產(chǎn)目標(biāo),嚴(yán)重時(shí)甚至引起重大的經(jīng)濟(jì)損失和人員損傷。因此,如何改進(jìn)原有的ISOMAP流形學(xué)習(xí)算法實(shí)施緩慢變化的微小故障檢測是實(shí)際生產(chǎn)過程迫切需要解決的問題。
基于累積和控制圖(CUSUM)的微小故障檢測方法相對較為成熟,傳統(tǒng)的單變量CUSUM算法僅考慮了單個(gè)采集變量,在操作復(fù)雜的化工過程中沒有考慮多個(gè)變量之間的相關(guān)性。文獻(xiàn)[10]將傳統(tǒng)的單變量CUSUM拓展為多變量CUSUM,用于TE過程改善了算法對于微小故障的檢測效果。鄧等提出了基于累積和核獨(dú)立元分析的故障檢測方法,可以更為有效地檢測非線性過程的緩變故障[11]。Shams聯(lián)合PCA和CUSUM算法,對TE過程不易判別的故障可以有效地進(jìn)行檢測和識別[12]。
本文引入多變量CUSUM對原有的ISOMAP算法進(jìn)行改進(jìn),提出了一種基于CUSUM-ISOMAP算法的非線性過程緩變故障檢測方法。該方法首先對單變量進(jìn)行預(yù)處理,高維數(shù)據(jù)的每一個(gè)觀測變量在一定的時(shí)間窗內(nèi)分別計(jì)算其均值偏差累積和及方差偏差累積,運(yùn)用多變量CUSUM重構(gòu)每個(gè)時(shí)刻的觀測數(shù)據(jù)值。之后運(yùn)用ISOMAP算法提取其相應(yīng)的非線性子流形特征信息,在子流形空間和殘差空間分別建立監(jiān)控統(tǒng)計(jì)量實(shí)施過程監(jiān)控,測試樣本的低維輸出通過非線性核嶺回歸方法進(jìn)行計(jì)算。最后通過CSTR過程驗(yàn)證了文中所提方法的有效性。
1基于CUSUM的數(shù)據(jù)預(yù)處理
工業(yè)過程發(fā)生的許多故障為微小緩變型故障,造成過程變化緩慢,反映在原始采樣變量上的變化也是緩慢的,不易進(jìn)行觀測。在過程變量變化較小特別是信號信噪比較小時(shí),經(jīng)典的多元數(shù)據(jù)分析的故障檢測方法僅僅運(yùn)用當(dāng)前時(shí)刻的信息而未對歷史信息加以考慮,不能敏銳地捕捉到過程信息的變化,需要在故障發(fā)生一段時(shí)間之后才能檢測到過程異常的出現(xiàn)。CUSUM控制圖可以用于檢測過程微小變化,在故障征兆信息較小時(shí),通過對歷史微小變化信息的滑動時(shí)間窗累積實(shí)行對工業(yè)過程工況的進(jìn)一步判斷。從而,CUSUM方法可以獲得更多的有用信息,提高整個(gè)故障檢測的靈敏度。
文中對觀測數(shù)據(jù)運(yùn)用兩種預(yù)處理方法,對每一維觀測變量分別計(jì)算其當(dāng)前時(shí)間窗內(nèi)的均值偏差累積和和方差偏差累積和,對每一維數(shù)觀測變量分別進(jìn)行數(shù)據(jù)預(yù)處理,之后采用ISOMAP流形學(xué)習(xí)方法建立監(jiān)控統(tǒng)計(jì)量T2和SPE,進(jìn)一步將這些統(tǒng)計(jì)量用于故障檢測中。
假設(shè)過程采集矩陣為Xn×m,其中n為采集樣本點(diǎn)數(shù),m為測量變量的個(gè)數(shù)。對高維數(shù)據(jù)進(jìn)行預(yù)處理[12]。
(1)
(2)
從而,對采樣點(diǎn)分別進(jìn)行預(yù)處理之后組成擴(kuò)展矩陣:
(3)
其中,α為權(quán)值因子且0<α<1。
2基于ISOMAP流形學(xué)習(xí)的故障檢測
2.1基于ISOMAP的特征提取
流形學(xué)習(xí)方法是一類特征提取方法,通過流形學(xué)習(xí)算法可以得到嵌入在高維數(shù)據(jù)空間的低維光滑流形。ISOMAP是一種基于流形學(xué)習(xí)的非線性維數(shù)約減算法,傳統(tǒng)的多維尺度變換(MDS)算法中,常用的歐氏距離不能體現(xiàn)數(shù)據(jù)集的內(nèi)在結(jié)構(gòu)。作為MDS算法的重要改進(jìn),Tenenbaum等[9]在ISOMAP算法中引入了測地距離代替歐氏距離作為兩點(diǎn)之間距離的量度。
ISOMAP是一種全局優(yōu)化的流形學(xué)習(xí)算法,其基本思想是數(shù)據(jù)點(diǎn)從高維空間映射到低維空間,映射前后數(shù)據(jù)點(diǎn)對之間的距離保持不變。相對于MDS算法,該算法的核心思想是運(yùn)用兩點(diǎn)之間的測地線距離代替歐氏距離來表征流形上數(shù)據(jù)點(diǎn)之間內(nèi)在的幾何關(guān)系,實(shí)現(xiàn)高維變量的降維。
設(shè)原始高維數(shù)據(jù)為X=(x1,x2,…,xn)Txi∈Rm,降維后的坐標(biāo)為Y=(y1,y2,…,yn)Tyi∈Rd,ISOMAP算法的步驟進(jìn)一步表示為:
(2) 計(jì)算鄰域關(guān)系圖中數(shù)據(jù)點(diǎn)對間的最短路徑,即測地線距離dM(xi,xj)。用近鄰圖G上xj和xi之間的最短路徑dM(xi,xj)近似流形M上的測地線距離,得到距離陣DM。
dM(xi,xj)=min{dE(xi,xj),dE(xi,xp)+dE(xp,xj)}p=1,2,…,n
(4)
(3) 保持測地距離陣DM不變,運(yùn)用MDS算法計(jì)算高維數(shù)據(jù)對應(yīng)的低維輸出。
(5)
其中,I為n階單位陣,l為元素為1的n維列向量。觀測數(shù)據(jù)的d維輸出為:
(6)
其中,Λ對應(yīng)矩陣B的特征值構(gòu)成的對角陣,特征向量為a1,a2,…,ad,a=(a1,a2,…,ad)。
2.2新采樣數(shù)據(jù)的映射輸出計(jì)算
多變量核嶺回歸是一種結(jié)構(gòu)風(fēng)險(xiǎn)最小化的算法,相對經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的學(xué)習(xí)算法[13],具有更高的建模精度,文中引入核嶺回歸的方法對ISOMAP算法的輸入輸出數(shù)據(jù)進(jìn)行擬合,易于在線數(shù)據(jù)的非線性映射輸出。
J(W)=min(Y-XW)2
(7)
J(W)=min(Y-XW)2+λ‖W‖2
(8)
其中,W是待定權(quán)值矩陣,λ是正則項(xiàng)參數(shù)。對式(8)求解,可以得到:
W=XT(XXT+λI)-1Y
(9)
上述方法是線性回歸方法,在數(shù)據(jù)之間存在非線性耦合相關(guān)時(shí)無法得到合理的降維輸出,文中進(jìn)一步引入核變換思想解決該類問題,設(shè)非線性變換函數(shù)為φ,通過對原數(shù)據(jù)變換可得φ(x),最優(yōu)化目標(biāo)J(W)隨之變?yōu)椋?/p>
J(W)=min(Y-Φ(X)W)2+λ‖W‖2
(10)
代入式(9)得到相應(yīng)的權(quán)值矩陣:
W=ΦT(ΦΦT+λI)-1Y=ΦT(K+λI)-1Y
(11)
將式(11)得到的權(quán)值矩陣W代入下式可以得到在線新采集樣本xnew的降維映射輸出:
ynew=WTΦ(xnew)=YT(K+λI)-1Φ(xnew)
(12)
其中,Y代表正常工況下數(shù)據(jù)集的映射輸出,Φ(xnew)=[k(x1,xnew),k(x2,xnew),…,k(xn,xnew)]T為新樣本與樣本庫的訓(xùn)練樣本在特征空間的內(nèi)積向量。從而,基于CUSUM-ISOMAP的故障檢測方法中,結(jié)合核函數(shù)技術(shù)的非線性映射能力,不需要獲知具體的非線性映射函數(shù),解決了輸入輸出數(shù)據(jù)集之間的非線性映射問題。
2.3監(jiān)控統(tǒng)計(jì)量的建立
文中基于CUSUM-ISOMAP算法的故障檢測中,在原始空間和降維空間分別計(jì)算T2和SPE統(tǒng)計(jì)量,前者對數(shù)據(jù)在子流形空間的變化信息進(jìn)行監(jiān)控,后者對建模空間之外的殘差空間的變化趨勢進(jìn)行監(jiān)控,結(jié)合兩監(jiān)控統(tǒng)計(jì)量的變化實(shí)現(xiàn)故障檢測,統(tǒng)計(jì)量算式為:
T2=yT[YTY/(n-1)]y
(13)
(14)
3仿真驗(yàn)證
3.1CSTR簡介
連續(xù)攪拌式反應(yīng)器(CSTR)是典型的一階化學(xué)反應(yīng)過程,是化工生產(chǎn)過程常用的基本單元,亦是眾多大型復(fù)雜過程的核心。CSTR過程中,物料A進(jìn)入反應(yīng)器內(nèi)發(fā)生一級不可逆放熱反應(yīng)生成物料B,冷卻劑通過夾套把反應(yīng)過程中產(chǎn)生的熱量帶走,在該裝置上進(jìn)行故障檢測算法的研究具有普遍意義。如圖1所示。
圖1 CSTR系統(tǒng)
文中將CSTR過程中常見的緩慢變化的故障,如入口物流量發(fā)生小幅值階躍變化、入口物流溫度發(fā)生小幅值斜坡變化、催化劑活性緩慢降低、物料流量發(fā)生緩慢變化以及傳感器微小故障等進(jìn)行模擬,常見故障列表如表1所示。
表1 CSTR過程故障描述
3.2仿真結(jié)果分析
為了實(shí)施故障檢測,首先對采集的正常工況訓(xùn)練數(shù)據(jù)進(jìn)行離線建模,運(yùn)用CUSUM-ISOMAP算法提取數(shù)據(jù)的低維子流形信息,其中,低維空間的維數(shù)采用方差累積貢獻(xiàn)率確定為8,進(jìn)一步計(jì)算得到兩監(jiān)控統(tǒng)計(jì)量對應(yīng)置信水平為95%的控制限。隨后采用一組正常工況數(shù)據(jù)作為預(yù)測樣本,利用CUSUM-ISOMAP算法實(shí)施故障檢測,過程故障檢測結(jié)果如圖2所示,T2和SPE兩個(gè)統(tǒng)計(jì)量均在控制限以下波動,其對應(yīng)的誤報(bào)率分別為5.07%和4.63%,具有較好的過程監(jiān)控性能。
圖2 正常工況的故障檢測結(jié)果
圖2中,橫坐標(biāo)表示過程第i個(gè)采樣點(diǎn)(i=1,2,…),縱坐標(biāo)T2和SPE分別代表每個(gè)采樣點(diǎn)對應(yīng)的兩個(gè)監(jiān)控統(tǒng)計(jì)量,點(diǎn)劃線代表故障檢測的閾值,均設(shè)定為95%的控制限。
對不同故障工況分別進(jìn)行仿真,仿真過程中對采集變量分別進(jìn)行存儲,變量維數(shù)為10,故障開始時(shí)刻設(shè)置為1001,采集樣本總數(shù)設(shè)定為2000,故障檢測的閾值均設(shè)定為95%的控制限。
故障f1為入口物流量及采集的噪聲方差發(fā)生小幅值變化,f1發(fā)生時(shí)噪聲方差由0.01變?yōu)?.02,代表變量入口物流量QF所發(fā)生的變化如圖3(a)所示。
圖3 CSTR過程模擬故障
利用仿真,分別采用ISOMAP和CUSUM-ISOMAP兩種方法對上述的故障f1進(jìn)行檢測,比較ISOMAP和CUSUM-ISOMAP兩種方法的故障檢測率,即故障發(fā)生后超出閾值的樣本數(shù)目與實(shí)際故障樣本總和的比值。圖4為兩種方法的監(jiān)控對比圖,基于ISOMAP的故障檢測方法中,兩監(jiān)控統(tǒng)計(jì)量的故障檢測率分別為61.00%和78.30%,而CUSUM-ISOMAP方法的T2和SPE統(tǒng)計(jì)量對應(yīng)的故障檢測率分別為90.50%、86.20%,具有相對較高的故障檢測率,可見所提方法對微小故障的檢測效果較原始的ISOMAP有了一定的改善和提高,從而,文中所提的考慮均值和方差偏差累積和的CUSUM-ISOMAP方法可以更為有效地檢測到故障發(fā)生。
圖4 過程監(jiān)控圖比較
故障f2為反應(yīng)物的入口物流溫度發(fā)生緩慢的斜坡變化,在仿真模型中,從第1001個(gè)采樣時(shí)刻開始,設(shè)置參數(shù)發(fā)生以下變化TF(i)=320-0.08×e^((i-1000)/1000),如圖3(b)所示。圖5所示為故障f2的監(jiān)控圖比較結(jié)果。故障發(fā)生后,監(jiān)控統(tǒng)計(jì)量皆出現(xiàn)斜坡變化趨勢。ISOMAP方法的T2統(tǒng)計(jì)量和SPE統(tǒng)計(jì)量分別在第1049、1004個(gè)采樣時(shí)刻檢測到故障發(fā)生,通過對原始數(shù)據(jù)計(jì)算滑動時(shí)間窗累積和變化,應(yīng)用CUSUM-ISOMAP特征提取技術(shù)后,本文所提的方法對應(yīng)的故障檢測時(shí)刻分別為1001和1002個(gè)采樣時(shí)刻,通過對比可見,本文提出的方法能夠比原有的ISOMAP方法更為快速地檢測到故障出現(xiàn),反應(yīng)更為靈敏,更加接近故障發(fā)生的真實(shí)時(shí)間。進(jìn)一步比較兩種算法的故障檢測率,CUSUM-ISOMAP方法中,T2和SPE統(tǒng)計(jì)量的故障檢測率分別對應(yīng)為96.50%和87.30%,而原有ISOMAP的故障檢測方法中,T2和SPE統(tǒng)計(jì)量的故障檢測率分別為49.30%和83.10%,可以明顯地看出,對于過程微小緩慢變化,文中方法可以更為靈敏和有效地改善故障檢測效果。
圖5 過程監(jiān)控圖比較
選取CSTR的5種不同的緩變故障樣本進(jìn)行算法的驗(yàn)證,表2列出了基于ISOMAP方法及CUSUM-ISOMAP方法的故障檢測率的對比情況。由表可見,相比基于ISOMAP的故障檢測方法,CUSUM-ISOMAP方法可以更為有效地獲取緩變故障的特征信息,可以較為快速和有效地檢測到緩變故障的出現(xiàn)。統(tǒng)計(jì)量的檢測性能得到明顯的改善,驗(yàn)證了所提算法的有效性,可以及時(shí)給工作人員提供報(bào)警提示。
表2 2種故障檢測方法的檢測率對比
4結(jié)語
本文提出了一種基于累積和等距離映射的非線性多變量故障檢測方法,該方法通過計(jì)算單變量均值偏差和及方差偏差累積和對每一個(gè)變量進(jìn)行變換和預(yù)處理,進(jìn)一步結(jié)合CUSUM控制圖的思想對原有的ISOMAP算法予以改進(jìn),有效地提取了緩變故障的特征信息。在線檢測時(shí)運(yùn)用核嶺回歸方法獲得觀測數(shù)據(jù)的降維輸出。CSTR仿真系統(tǒng)的結(jié)果進(jìn)一步說明,基于累積和等距離映射的故障檢測方法可以更好地獲取微小緩變征兆的特征信息,較為靈敏的獲取過程的微小變化,從而可以取得較好的故障檢測效果,保證生產(chǎn)過程的安全穩(wěn)定運(yùn)行。
參考文獻(xiàn)
[1]VenkatasubramanianV,RengaswamyR,KavuriSN,etal.AreviewofprocessfaultdetectionanddiagnosisPartIII:processhistorybasedmethods[J].ComputersandChemicalEngineering,2003,27(3):327-346.
[2]QinS.Surveyondata-drivenindustrialprocessmonitoringanddiagnosis[J].AnnualReviewsinControl,2012,36(2):220-234.
[3] 韓利強(qiáng),陳澤華,曹長青,等.TEP故障診斷方法研究[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(7):82-85.
[4]RussellLH.Faultdetectionanddiagnosisinindustrialsystem[M].London:SpringerVerlagPress,2003.
[5]JiangQC.Faultdetectionanddiagnosisinchemicalprocessesusingsensitiveprincipalcomponentanalysis[J].Industrial&EngineeringChemistryResearch,2013,52(4):1635-1644.
[6]ShaoJD,RongG.Nonlinearprocessmonitoringbasedonmaximumvarianceunfoldingprojections[J].ExpertSystemswithApplications,2009,36(8):11332-11340.
[7]ZhangMuguang,GeZhiqiang,SongZhihuan,etal.Global-LocalStructureAnalysisModelandItsApplicationforFaultDetectionandIdentification[J].Industrial&EngineeringChemistryResearch,2011,50(11):6837-6848.
[8]WongWK,ZhaoHT.Supervisedoptimallocalitypreservingprojection[J].PatternRecognition,2012,45(7):186-197.
[9] 張妮,田學(xué)民.基于等距離映射的非線性動態(tài)故障檢測方法[J].上海交通大學(xué)學(xué)報(bào),2011,45(8):1202-1206.
[10] 葛志強(qiáng),宋執(zhí)環(huán).基于MCUSUM-ICA-PCA的微小故障檢測[J].浙江大學(xué)學(xué)報(bào):工學(xué)版,2008,42(3):373-377.
[11] 鄧曉剛,田學(xué)民.基于SKICA的非線性過程緩變故障檢測方法研究[J].儀器儀表學(xué)報(bào),2009,30(7):1359-1362.
[12]BinShamsMA,BudmanHM,DueverTA.Faultdetection,identificationanddiagnosisusingCUSUMbasedPCA[J].ChemicalEngineeringScience,2011,66(20):4488-4498.
[13]AnSJ,LiuWQ,VenkateshS.Facerecognitionusingkernelridgeregression[C]//CVPR2007:ProceedingsoftheIEEEComputerSocietyConferenceonComputerVisionandPatternRecognition,Minneapolis,June17-22,2007,Piscataway,NJ:IEEEPress,USAc2007.
[14]HoerlAE,KennardRW.Ridgeregression:Biasedestimationfornonorthogonalproblems[J].Technometrics,1970,12(1):55-67.
RAMP FAULT DETECTION METHOD BASED ON CUSUM-ISOMAP
Gu ShanmaoZhang NiLiu Yunlong
(College of Information and Control Engineering,Weifang University,Weifang 261061,Shandong,China)
AbstractIn order to detect the ramp minor fault in chemical processes, we proposed a new multivariable process fault detection method which is based on CUSUM-ISOMAP. It first calculates the mean deviation cumulative sum and variance deviation cumulative sum for each variable using the idea of CUSUM control chart, and then creates extended augmented matrix and employs the ISOMAP-based dimensionality reduction feature extraction algorithm on the augmented data to set up statistics and carry out fault detection. Traditional ISOMAP algorithm is unable to get the mapping relationship between inputs and outputs, so it cannot handle the new sampling data. In the paper we introduce Kernel ridge regression algorithm to obtain the dimensionality-reduced outputs of the new sampling data. Simulation result of CSTR process shows the effectiveness of the method proposed in the paper on exerting fault detection for minor process fault.
KeywordsCUSUM control chartISOMAP algorithmKernel ridge regressRamp faultFault detection
收稿日期:2015-01-13。國家自然科學(xué)基金項(xiàng)目(61403283)。谷善茂,講師,主研領(lǐng)域:過程控制,電力電子技術(shù)。張妮,講師。劉云龍,講師。
中圖分類號TP391.4
文獻(xiàn)標(biāo)識碼A
DOI:10.3969/j.issn.1000-386x.2016.06.060