3基于数据驱动的系统监测和故障诊断.ppt
《3基于数据驱动的系统监测和故障诊断.ppt》由会员分享，可在线阅读，更多相关《3基于数据驱动的系统监测和故障诊断.ppt（80页珍藏版）》请在冰点文库上搜索。
基于数据驱动的系统监控与故障诊断SystemMonitoringandFaultDiagnosisBasedonData-driven,基于数据驱动的系统监控与故障诊断,背景介绍与系统构成,2023/7/23,3,系统监控的意义,现代化工业正朝着大规模、复杂化的方向发展，通常包含高温、高压、易燃、易爆的生产过程，系统一旦发生事故就会造成人员和财产的巨大损失。
系统监控有2层含义：
以保证主要设备乃至生产全过程的安全为目标：
避免生产事故、减少财产损失；为保证产品质量为目标：
减少产品质量波动、实现优质高效。
2023/7/23,4,复杂工业系统,能源,原料,公用工程,生产过程,（离散、连续或间歇）,付产品,产品,废物,（气、液、固）,市场,自动化设备（仪表、PLC、DCS、FCS等）,2023/7/23,5,企业信息化系统结构,决策层,管理层,调度层,经营决策系统,产品策略,管理信息系统,生产计划,生产调度系统,调度指令,过程监控系统,系统优化,计算机控制系统,控制信息,生产过程,监控层,控制层,关系数据库,实时数据库,2023/7/23,6,ERPEnterpriseResourcePlanning,PCSProcessControlSystem,MESManufacturingExecutionSystem,企业信息化系统三层结构,2023/7/23,7,监控系统定位,2023/7/23,8,随着计算机测量与控制系统和各种智能化仪表在工业过程中的广泛应用，大量的过程数据被采集并存储下来。
但是这些包含过程运行状态信息的数据往往没有被有效地利用，以至出现了所谓的“数据很多，信息很少”的现象。
造成这一现象的主要原因:
最初是由于工业控制计算机系统缺乏足够的计算能力和统一的数据存储格式；缺乏有效的分析算法和可利用的商业软件包；如何利用这些数据的目的性不够明确。
随着工业计算机技术、现场总线技术的发展，相关的数据分析理论的研究也取得到了长足的进步。
因此，工业界已意识到并且也已具备了相应的能力，必须将海量的数据变为有用的信息，服务于生产安全和产品质量控制，以起到降低成本、提高企业竞争力的作用。
数据处理的需求,2023/7/23,9,通过对工业过程数据的采集、预处理（滤波、校正等）和分析（特征提取、模式分类等），监督生产过程的运行状态，检测系统的故障信息、诊断故障原因，分析和预测生产过程的动态趋势，从而达到减小产品质量波动、保障系统可靠运行的目标，使生产系统始终处于最佳运行状态。
基于数据驱动的系统监控,2023/7/23,10,监控系统组成结构,2023/7/23,11,监控与故障诊断系统,显示,报警,记录,控制,集成监控系统,监控,诊断,数据预处理,数据采集,传感器,特征提取,2023/7/23,12,时间序列图,统计分析,控制图,标称概率图,监控分析方法,2023/7/23,13,主要数据驱动方法,数字信号处理方法谱分析、小波分析等统计分析方法主元分析（PrincipalComponentAnalysis,PCA）、偏最小二乘（PartialLeastSquares,PLS）、Fisher判别分析、CVA等统计学习方法支持向量机（SVM）、Kernel学习等人工智能方法神经网络、粗糙集、模糊推理、专家系统等,面向故障诊断的系统监控,2023/7/23,15,基于小波分析的监控方法,利用小波变换进行监控和故障检测的思路：
在进行故障检测时，同时对系统的输入和被检测信号（系统的输出或可能的状态变量）进行小波变换。
然后分析不同尺度下的信号的变换结果。
在被检测的信号的小波分析中剔除由于输入信号变化引起的奇异点，那么剩下的奇异点代表的就是系统发生的故障点。
2023/7/23,16,一个应用实例,利用改进的小波包分频算法进行挖掘机提升系统故障信号的检测，并成功应用。
已知提升系统轴承因缺损而产生的振动频率为：
84.6Hz（内圈脱落）和58.10Hz（外圈脱落）。
从FFT频谱图可见主要频线为：
213.91Hz、429.47Hz和645.26Hz，它们分别是齿轮啮合频率及其2倍、3倍频率，是齿轮正常运行时的典型频谱。
这些频谱强烈淹没了轴承的故障信息。
2023/7/23,17,基于小波包的故障检测方法,频率Hz频率Hz,时间/s频率Hz,2023/7/23,18,多元统计分析的应用背景,在现代流程工业中，随着测控技术的快速发展，人们已经能够对越来越多的过程变量和产品质量指标进行测量；同时计算机和数据库技术的普及，使工厂拥有了相当丰富的生产数据资源。
工业过程，尤其是流程工业，在同一过程中的不同变量间往往存在相互关联的关系。
比如在精馏塔的操作中，进料组分的变化会引起各塔板温度、塔顶和塔底组分等多个变量的变化。
从直观上看，这种多变量间的变化是错综复杂的。
2023/7/23,19,多元统计分析的应用背景,厂方有内在的需求：
采用多变量统计分析技术对大量采集的测控数据和产品质量数据进行分析。
以便揭示过程的内在变化规律、趋势，为提高产品质量提高有用信息，从而把数据资源优势转化为生产效益和产品质量优势。
客户对产品性能的定量要求也越来越严格。
这就要求对许多过程变量和产品性能指标进行分析、处理和监测。
仅依靠分别对这些变量和指标逐一进行单变量SPC分析，其结果往往不太可靠。
2023/7/23,20,多元统计分析的应用背景,早期的理论发展：
将单变量SPC技术直接扩展到多变量的情况。
出现了所谓的多变量SPC/SPM技术，包括：
多变量CUSUM、多变量EWMA和多变量时间序列建模技术等。
仍未脱离管理层面的SPC概念和范畴，需要辅以较多的人员交流。
2023/7/23,21,多元统计分析的应用背景,20世纪80年代开始起，以主元分析（PrincipalComponentAnalysis，PCA）为主的多元统计技术开始用于工业过程的监测，并利用控制图等简单的工具实现初步的诊断功能。
随着在工业中成功应用例子的不断增多，以及安全与质量控制的实际需求，PCA等多元统计方法的定位与功能开始向传统的故障检测功能趋进，并逐步建立起了理论体系框架和研究分支方向。
目前基于多元统计的过程监控仍处于发展之中。
2023/7/23,22,PCA监测模型,基本原理：
PCA统计过程监测模型描述了正常工况下各过程变量之间的关系，这种变量间的内在联系是由物料平衡、能量平衡以及操作限制等约束所形成的。
具体建模方法就是将过程数据向量投影到两个正交的子空间（主元空间和残差空间）上，并分别建立相应的统计量进行假设检验，以判断过程的运行状况。
PCA监测模型本身只具有检测过程变化的功能，不具有明确的、定量的故障重构、识别和分离等高级功能。
2023/7/23,23,PCA监测模型,建模前的准备：
过程数据的归一化首先取一段正常生产工况下的过程数据集Xmn（m为采样点数，n为传感器数）建立统计模型。
数据阵需要进行标准化，即对数据集Xmn中每一时刻的数据向量作变换：
，其中：
为x对应的均值向量；为方差矩阵，这里为第i个过程变量的标准差，i=1,n。
记标准化后得到的数据集为。
默认情况下都是指过程数据已归一化。
2023/7/23,24,PCA监测模型,新的基底：
坐标旋转对的相关系数矩阵作奇值分解：
（3.1）式中Unn为酉矩阵，D=diag（i=1,n）为对角矩阵。
向量矩阵U=u1,u2,un即为n空间的一组标准基，且过程数据集在新的基底U下将获得最佳的描述，即在坐标系U的各方向上的方差满足12n（3.2）其中i=1,n即为矩阵D中相应的对角元素。
2023/7/23,25,PCA监测模型,空间分解与降维称U的前k（kn）维线性无关向量P=u1,u2,uk构成的子空间为主元空间。
后n-k维向量=uk+1,uk+2,un构成残差空间。
向量P又称之为载荷向量（LoadingVectors）主元数k可以根据某一标准来选取，通常采用的是方差累计和百分比（CumulativePercentofVariance,CPV）。
一般取CPV80%为标准。
（3.3）,2023/7/23,26,PCA监测模型,空间分解与降维原来的n维过程数据空间被k维主元空间和n-k维残差空间代替，而且过程变量之间的相关性被消除。
通过在这两个子空间中建立PCA过程统计模型，就可以在低维的子空间中实现对多变量过程的监测。
图3.1PCA空间降维示意图,2023/7/23,27,PCA监测模型,监控数据向量的分解数据向量可以分解为：
（3.4）式中：
和分别为在和上的投影；投影矩阵和。
PCA监测模型的获得：
具体就是建立两个统计量，HotellingT2和SPE（SquaredPredictionError，或称为Q）统计量。
2023/7/23,28,PCA监测模型,T2统计量之定义（空间中）：
（3.5）式中=diag（），i=1,k为矩阵D中的前k个对角元素。
t=PT称为主元打分向量（ScoreVectors），为控制限。
控制限的计算：
由T2的抽样分布确定（3.6）,2023/7/23,29,PCA监测模型,SPE统计量之定义（空间中）：
（3.7）式中：
为控制限。
控制限的计算：
由SPE的抽样分布确定（3.8）,2023/7/23,30,PCA监测模型,SPE控制限的计算：
在式（3.8）中，各参数如下=高斯分布的上
（1）分位数,2023/7/23,31,PCA监测模型,PCA模型的一些主要性质：
建模数据矩阵直接进行奇值分解得到的奇异值是其相关矩阵奇异值的平方根。
即第i个载荷向量pi的方差为i，且12n。
从而成立：
式（3.4）中的数据分解可以写为另一种更具体的形式：
其中残差矩阵E理解为噪声或者不重要的过程信息。
2023/7/23,32,PCA监测模型,2维主元图：
当主元数k=2时，Pc1和Pc2与控制限的关系正好为一个椭圆区域。
此时高维的数据空间的变化监测问题，可以在2维的平面图形上进行直观的考察。
这是PCA早期被应用于系统监控的一个典型的优点和原因之一。
2023/7/23,33,PCA监测模型,PCA监控模型需要满足的两个假设条件：
只有当这两个假设条件成立时，以上给出的控制限和的计算方法才成立。
各过程变量均是服从高斯分布的随机过程各过程变量自身是独立同分布的（i.i.d）,2023/7/23,34,PCA监测模型,PCA对过程的监测是通过T2和SPE检验来实现的，共有四种可能的检测结果：
虽然近年来有关PCA的过程监测方法已得到了广泛的研究，然而对PCA监测方法的特点及其内涵的分析却很不充分，已有的结论多为定性的（虽然其表现形式是定量的），且很不明确。
已有的文献中一般均笼统地认为在4种检测结果中，结果（I）和（III）对应于故障发生；结果（II）则可能是工况变化（扰动）。
对于结果（IV）则认为过程运行正常，处于受控之中。
（I）T2和SPE统计量均超过控制界限；（II）T2统计量超过控制界限，SPE统计量没有超过；（III）T2统计量没有超过控制界限，SPE统计量超过；（IV）T2和SPE统计量均未超过控制界限。
2023/7/23,35,PCA监测模型,在过程监测中PCA的作用主要是提供一种“经验模型”（Empiricalmodel）。
这种由数据驱动方法建立的模型与精确的机理模型（Firstprincipalmodel）在过程监测策略中作用和地位是类似的。
在基于滤波器的方法中是利用精确的机理模型来产生残差信号，然后对残差信号进行分析以判断系统的运行状态；而在数据驱动的过程监测方法中PCA模型是用于提供变量和的“正常范围”，或“控制限”。
2023/7/23,36,PCA监测模型,PCA在PMD中的作用，与在传统多元统计分析中的作用是不同的，即并不主要是为了减小被分析变量集的维数（有文献将这一功能称为压缩）。
也就是说，在建立PCA过程监测模型时（主要表现为主元个数的选取），“减小主元个数”不是建立模型的标准。
模型的标准应该是在某一最优准则下实现对故障（扰动）的检测、识别、分离，以及重构等功能。
事实上，“减小主元个数”这一标准与上述过程监测的各功能并无直接联系。
另外从算法上看，式（3.5）和（3.6）中的T2和SPE统计量都是标量，主元个数为2或为10并无本质区别，而且对于工业过程PMD应用而言，不同主元时在计算量上的差别并无大碍。
2023/7/23,37,PCA监测模型,关于PCA统计模型之检测结果：
目前关于PCA监测结果的理解仅是指“一般情况下的“。
工况变化时PCA的检测结果并不一定是通常认为的结果（II），而是与工况变化所造成的各过程变量的统计参数的改变程度和方式密切相关。
事实上，工况变化时PCA的检测结果在理论上可以是4种中的任何一种。
而且对于连续生产过程在发生输入扰动或设定值变化后，由于控制的作用过程将达到新的稳态。
在控制器发生作用的过程中PCA监测行为是复杂的。
2023/7/23,38,主要研究结论,关于PCA统计模型之检测结果讨论：
故障发生时PCA的检测结果不一定是通常认为的结果（I）和（III）。
除了存在漏报的可能外（即结果IV），检测结果还有可能为（II）。
此时若按照通常的观点就会将此类故障误判为是工况变化造成的，延误采取有效的故障补救措施。
结果（II）下的工况变化与故障的区分需要采用进一步的措施，如改进PCA，或其它技术。
PCA的检测行为及其内涵是很复杂的。
不能简单地将过程工况的变化，过程故障和传感器故障的检测结果固定为4种检测类型中的某一种或几种的组合。
事实上，即使是同一故障（或工况变化），当故障（或变化）的程度和方式不同时，其检测结果也可能是不同的。
进一步的故障诊断还须结合其它的方法。
2023/7/23,39,关于PCA统计模型：
WangHaiqing,SongZhihuanandLiPing（2002）:
FaultDetectionBehaviorandPerformanceAnalysisofPCA-basedProcessMonitoringMethod,Ind.Eng.Chem.Res.，Vol.41（9）,2455-2464,尽管PCA统计模型对引起T2和SPE统计量变化的原因不能给出明确的结论，但PCA统计模型对过程的变化很敏感。
而故障的检测是故障重构、分离和识别的前提，因此PCA仍不失为一种有效的过程监测方案。
主要研究结论,2023/7/23,40,一个例子,PCA模型应用（CaseStudy）：
Double-EffectEvaporator（DEE）,2023/7/23,41,一个例子,DEE过程描述：
双效蒸发器是多效蒸发的一种类型，通过2个蒸发器的蒸发使得流过料液的浓度提高，具有比单效蒸发器更高的热效率。
溶质组分为XF的料液从蒸发器2注入蒸发，再进入蒸发器1蒸发后将溶质组分提高为X1。
稳态操作参数为：
进料的溶质重量分比XF=0.02（kg溶质/kg溶液），进料温度TF=38.0（C），进入蒸发器1的加热蒸汽温度TS0=164（C）。
2023/7/23,42,一个例子,DEE过程变量符号说明：
M1,M2=蒸发器1，2内的滞料重（kg/溶液）T1,T2=蒸发器1，2内的溶液温度（C）TF=进料溶液的温度（C）TS0=进入蒸汽的温度（C）W1,W2=从蒸发器1，2流出的溶液质量流量（kg溶液/s）WF=进入蒸发器2的料液质量流量（kg溶液/s）WS0=进入蒸发器1的加热蒸汽（kg蒸汽/s）WS1,WS2=从蒸发器1，2顶部汽化的蒸汽流量（kg蒸汽/s）X1,X2=蒸发器1，2内的溶质重量分数（kg溶质/kg溶液）XF=进料溶液中的溶质分比（kg溶质/kg溶液）共取8个变量进行监测：
T1,WF,W1,W2,WS1,WS2,X2,WS0,2023/7/23,43,一个例子,DEE过程的PCA统计监测模型：
取正常工况稳态下的被监测变量的300个采样数据，建立PCA统计模型。
在过程监测仿真中必须适当地激发被监测过程，以确保用于建模的数据中包含了正常的过程波动信息；由于前3个主元的方差累计和百分比为：
85.7974，故取主元个数为k=3。
即采用的是方差累计和百分比（CPV）的主元选取准则。
相应的控制限：
=12.5284（99%），=3.7464（99%）。
2023/7/23,44,一个例子,案例1：
工况参数发生变化时PCA的检测行为进入蒸发器1的加热蒸汽温度TS0由164（C）升高4.3（C）检测图。
前约100个数据的检测结果为（II）。
但随着过程达到新的稳态后，SPE统计量的均值增大而超过了其控制限SPE，检测结果转为（I）。
2023/7/23,45,一个例子,案例2：
传感器故障发生时PCA的检测行为传感器WS1出现测量偏差故障，采集150个数据的检测结果，其中偏差幅值恒定为3.8kg/s（约为WS1稳态流量的9%）。
PCA检测结果为情况（II），SPE图中仅有几个时刻的数据被作为粗差检出。
2023/7/23,46,主要研究结论,非线性PCA：
除了前面提到两个需要满足的假设条件外，有不少学者还认为PCA过程监测模型还应该满足另一个条件，即被监测过程是线性的。
或者更确切的说是被监测变量集内的各变量之间应为线性关系。
20世纪90年代后曾出现过各种所谓的“非线性”PCA监测方法，但并未深入系统地得到发展，并且近年来已少有报道。
这一假设的提出者实际上是认为PCA在过程监测方法中的主要作用是为了“提取变量之间的线性关系”，或者仅是为了“降维”。
PCA在过程监测方法中作用是为了提供一个对被监测模型的“描述”，一种监测方法的“框架”。
被监测变量集之间是否为线性关系与PCA监测模型的有效性并无直接联系。
2023/7/23,47,主要研究结论,非线性PCA的理论思路：
主元曲线与主元曲面通过引入一个非线性函数，将原来的过程变量映射到所谓的“主元曲线”上，使得所有数据点到该曲线的距离之和最小；计算第1条主元曲线时，首先以线性主元为初始曲线，通过迭代技术逐条确定主元曲线；由于主元曲线不能直接用于获得非线性的打分向量，需要采用非线性数值逼进的方法建立两者直接的关系。
2023/7/23,48,主要研究结论,动态PCA由于生产过程的内部动态特性的影响，采集到的生产数据并不是i.i.d.的。
为了消除建模数据的序列相关性（serialcorrelations），保证PCA检测模型的有效性，需要解决序列相关问题。
扩展矩阵法：
将t时刻的m维过程测量数据向量xt与其前面的t-h拍的xt-1,xt-2,xt-h排列在一起，组成新的过程监测数据向量。
其中参数h与过程的动态特性有关，一般情况下取h=1或2即可。
将扩展后的数据矩阵用于PCA建模，可以使得SPE统计量是不相关的，从而保证了其计算得到的控制限的准确。
2023/7/23,49,主要研究结论,动态PCA：
工业数据本质上具有多尺度特征，反映了不同生产工况和设备状况下的信息。
2023/7/23,50,主要研究结论,多尺度动态PCA首先利用小波技术，将过程数据进行多尺度分解，以获得不同层次下的过程信息。
更适合于刻划生产进行的状况。
由于小波系统的正交性，在不同尺度下的分解系数是相互不关联的，并且同一尺度下的系数也是互不关联的。
2023/7/23,51,主要研究结论,动态PCA多尺度PCA：
首先利用小波技术，将过程数据进行多尺度分解，以获得不同层次下的过程信息，然后分别对这些信息进行PCA建模和监测，总的重构信息再进行PCA监测。
2023/7/23,52,主要研究结论,多产品以及递推PCA：
在同一生产线上的多产品切换情况下，快速对PCA统计监测模型进行更新和重组，以实现对生产的监测与产品质量控制。
并获得计算量更小的模型更新模式，以适应更高性能场合的应用。
2023/7/23,53,主要研究结论,数据协调与粗差检测利用T2图对采集的高维过程数据进行检测，以剔除粗差。
而且可以对缺失的数据进行估计，以保证在后续其它应用中数据的完整性。
T2图粗差检测,2023/7/23,54,主要研究结论,软测量应用流程工业生产中有一些变量，尤其是质量指标变量难以在线进行测量，往往存在很大的滞后性；另外有效过程变量可能是不能够直接测量或者测量仪表成本很高。
主元回归建模（PCR）：
利用PCA能够抓住高维数据中的主要变化关系，通过对多维的数据进行PCA分析，建立主元（PCs）与待预报变量之间的“软仪表”模型。
2023/7/23,55,主要研究结论,核函数部分最小二乘（KernelPLS）类似与KPCA，以XXYY或XYYX为核函数。
主要目的是降低计算和存储量、节省计算时间动态部分最小二乘（DPLS）引入时间项，建立因变量与过程自变量间的动态关系。
判别式部分最小二乘（DiscriminantPLS）主要用于模式识别，因变量为模式标识。
多路PLS（MultiwayPLS）以时间轴为切面，建立不同批次同一时间切面上自变量与因变量的统计关系，主要用于间歇系统的故障诊断和建模,2023/7/23,56,主要研究结论,RecursivePLS（递推PLS）解决连续系统PLS模型的在线更新问题，缺点是必须提取所有成分。
模型因陷入过拟合而使预测精度下降。
多尺度PLS算法提取成分t和u;利用小波网络拟合成分t和u之间的非线性关系,即建立小波网络内模型;然后同传统PLS算法,建立系统外模型。
2023/7/23,57,橡胶密炼过程监控,2023/7/23,58,模型数据示意图如下：
2023/7/23,59,基于PLS的门尼粘度系数监控,面向产品质量的系统监控,2023/7/23,61,为何需要质量监控,客户需求全球产业链之中，供应商必须采用SPC控制其制程要求供应商提供过程数据和过程能力内部需求ISO和QS-9000认证的关键部分减少过程不稳定，提高产品质量过程改进促使工作流的改进决定最佳适应某特殊过程/产品的设备,2023/7/23,62,关键指标波动,波动是质量的敌人；品质改善就是要持续减少设计、制造和服务过程的波动；“监控的角色就是改进过程品质”,波动是魔鬼发现并消灭它！
偶然性原因产品质量影响较小技术上难以消除经济上也不值得消除,系统原因产品质量影响大能够避免和消除,2023/7/23,63,波动无处不在,缺乏足够的过程能力,?
不稳定的零件和材料,不合理的设计,19649,波动（误差）的最初起源,环境不确定性的影响,一周,二周,三周,平均,1742615879325711842495886584686104295969566655254353,顾客的视角,最小=17最大=118,我的视角,53,捕捉客户的着眼点-Y的整个分布状况,波动为何不早发现,2023/7/23,65,传统的质量控制,你不知道废品何时会出现，所能做的就是挑出废品!
Spec,LSL,USL,我们合格,Spec-in就合格,IamData（我活着）,Spec-out不合格,检出不良,2023/7/23,66,监控系统可以帮助我们,区分正常波动和异常波动；及时发现异常征兆；消除异常因素；减少异常波动；提高过程能力；,预防&控制,2023/7/23,67,过程趋势分析,当过程处于动态变化时，操作人员面对的是众多的变化快慢不同的过程变量，并且还可能存在不同的滞后作用的影响，以及传感器数据缺失的影响。
此外统计监测模块发出的各类报警提示，需要操作人员及时给予确认和处理。
在这一情况下，即使是熟练的操作人员也难以正确地完成下面的任务区分正常和非正常的工况；判断过程变化的原因，比如外部负载扰动、设备故障，以及操作失误等；评价当前的过程趋势，并预测将来的过程状态变化方式；给出相应的措施和实施步骤。
2023/7/23,68,统计过程控制SPC统计质量控制SQC,在数据量大、数据维数高、变量间具有相关性的连续过程中，多变量统计过程控制主要用于实现统计质量控制。
多变量统计分析方法包括有主元分析PCA、偏最小二乘PLS，主元回归等。
采用多元统计相关分析的原理方法，对多个工艺参数的大量运行数据进行统计分析，通
升级会员 