基于并發(fā)改進(jìn)偏最小二乘的質(zhì)量相關(guān)和過(guò)程相關(guān)的故障診斷

李 強(qiáng),孔祥玉,羅家宇,解 建

(火箭軍工程大學(xué)導(dǎo)彈工程學(xué)院,陜西西安 710025)

1 引言

隨著現(xiàn)代制造業(yè)的迅速發(fā)展,工業(yè)生產(chǎn)系統(tǒng)的成本與復(fù)雜性在快速增長(zhǎng),相應(yīng)生產(chǎn)過(guò)程的安全性和可靠性也引起了人們的持續(xù)關(guān)注[1-2].針對(duì)這些工業(yè)系統(tǒng)的需求,傳統(tǒng)的基于機(jī)理建模的過(guò)程監(jiān)測(cè)與故障診斷方法難以滿足現(xiàn)代工業(yè)生產(chǎn).與之相比,數(shù)據(jù)驅(qū)動(dòng)技術(shù)可以直接從大量數(shù)據(jù)中獲取狀態(tài)信息,不必知道系統(tǒng)的物理模型,易于實(shí)現(xiàn),在過(guò)程監(jiān)控領(lǐng)域得到廣泛應(yīng)用[3-6].多元統(tǒng)計(jì)過(guò)程監(jiān)測(cè)(multivariate statistical process monitoring,MSPM)是一種有效的數(shù)據(jù)驅(qū)動(dòng)方法[7],傳統(tǒng)的MSPM投影方法有主成分分析[8](principal component analysis,PCA)和偏最小二乘[9](partial least squares,PLS).Wise等[10]和Qin[11]對(duì)基于PCA和PLS的過(guò)程監(jiān)測(cè)和故障診斷方法進(jìn)行了總結(jié),這些方法是根據(jù)正常操作中收集到的過(guò)程和質(zhì)量數(shù)據(jù)實(shí)現(xiàn)的.

隨著分布式控制系統(tǒng)[12]和新型測(cè)量設(shè)備的廣泛應(yīng)用,過(guò)程工業(yè)中大量的過(guò)程數(shù)據(jù)和產(chǎn)品質(zhì)量數(shù)據(jù)得以記錄和儲(chǔ)存.與過(guò)程數(shù)據(jù)測(cè)量相比,質(zhì)量數(shù)據(jù)測(cè)量頻率較低,通常具有明顯的時(shí)間延遲.PCA最初是為了對(duì)大量相關(guān)數(shù)據(jù)進(jìn)行降維而提出的,它能夠保留從過(guò)程變量中提取的顯著變異信息.因此,當(dāng)質(zhì)量數(shù)據(jù)難以獲得時(shí),PCA被用作監(jiān)測(cè)過(guò)程變量的異常變化.然而在基于PCA的故障檢測(cè)方法中,對(duì)過(guò)程變量進(jìn)行分解時(shí)沒有考慮輸入與輸出變量間的關(guān)系,無(wú)法揭示在過(guò)程變量中檢測(cè)到的故障是否與質(zhì)量輸出相關(guān)[13].投入產(chǎn)出相關(guān)性可以為過(guò)程監(jiān)控提供更多有用的信息[14],適用于此的一種方法是基于PLS的故障檢測(cè)方法.PLS通過(guò)提取質(zhì)量變量與過(guò)程變量之間的最大相關(guān)性建立了一個(gè)輸入-輸出模型,可用于監(jiān)測(cè)與質(zhì)量輸出相關(guān)的輸入子空間,從而判斷輸入子空間是否發(fā)生故障,故障是否對(duì)質(zhì)量輸出產(chǎn)生影響.

實(shí)際上,PLS在通過(guò)監(jiān)測(cè)得分進(jìn)行質(zhì)量相關(guān)故障檢測(cè)和通過(guò)監(jiān)測(cè)輸入殘差來(lái)檢測(cè)質(zhì)量無(wú)關(guān)故障方面存在如下缺陷[13]：1)PLS對(duì)可用的輸入數(shù)據(jù)進(jìn)行了不期望的分解,利用PLS得分構(gòu)造的T2統(tǒng)計(jì)量中包含了與質(zhì)量變量正交的信息;2)PLS并非按照降序提取輸入與輸出變量間的協(xié)方差,因此輸入殘差中可能包含較大的變化,不適合使用Q統(tǒng)計(jì)量進(jìn)行監(jiān)測(cè).為了解決上述問(wèn)題,Zhou等[15]于2010年提出全潛結(jié)構(gòu)投影(total projection to latent structures,TPLS)方法,進(jìn)一步分解了PLS主元空間和殘差空間.與標(biāo)準(zhǔn)PLS方法相比,該方法大大提高了質(zhì)量相關(guān)故障檢測(cè)的性能.Qin等[13]認(rèn)為TPLS將輸入數(shù)據(jù)空間過(guò)多的分解為4個(gè)子空間,從對(duì)質(zhì)量變量全局監(jiān)控的角度,構(gòu)建了并發(fā)潛結(jié)構(gòu)投影(concurrent projection to latent structures,CPLS)模型,簡(jiǎn)化了TPLS模型的結(jié)構(gòu).但是CPLS存在大量的迭代過(guò)程,計(jì)算復(fù)雜,這同樣使得基于CPLS的其他拓展(如非線性,動(dòng)態(tài)等)方法也存在大量迭代過(guò)程.因此,急需解決CPLS的這一不足.Yin等[16]提出了改進(jìn)潛結(jié)構(gòu)投影(modified-PLS,MPLS)模型,實(shí)現(xiàn)了過(guò)程變量空間的正交分解,彌補(bǔ)了PLS不足的同時(shí)采用SVD分解避免了大量的迭代過(guò)程.Zhang等[17]研究指出,MPLS由于XTX的廣義逆計(jì)算,可能導(dǎo)致X中與Y相關(guān)的信息丟失,因此提出了高效潛結(jié)構(gòu)投影算法(efficient projection to latent structures,EPLS).盡管MPLS與EPLS在檢測(cè)質(zhì)量相關(guān)故障中表現(xiàn)出了較之PLS更好的性能,但是難以有效地對(duì)過(guò)程相關(guān)故障以及不可預(yù)測(cè)的輸出殘差子空間進(jìn)行區(qū)分與監(jiān)控,同時(shí)MPLS無(wú)法對(duì)影響輸入數(shù)據(jù)空間并可能會(huì)成為輸出潛在故障進(jìn)行區(qū)分.針對(duì)上述問(wèn)題本文提出一種并發(fā)改進(jìn)偏最小二乘(concurrent modified partial least squares,CMPLS)算法和一組過(guò)程監(jiān)測(cè)指標(biāo).所提方法根據(jù)統(tǒng)計(jì)過(guò)程的監(jiān)測(cè)結(jié)果構(gòu)造故障檢測(cè)的控制限,對(duì)質(zhì)量相關(guān)故障和過(guò)程相關(guān)故障進(jìn)行完整檢測(cè),同時(shí)避免過(guò)多的迭代過(guò)程.

當(dāng)檢測(cè)到故障后,更重要的是診斷出故障原因.貢獻(xiàn)圖[18-19]及其改進(jìn)的方法[20-21]在這一問(wèn)題的解決上被廣泛應(yīng)用,它表征了各過(guò)程變量對(duì)故障檢測(cè)指標(biāo)的貢獻(xiàn).貢獻(xiàn)圖最先由MacGregor等[22]提出,先后運(yùn)用到各領(lǐng)域的過(guò)程控制與判別分析中[23].雖然貢獻(xiàn)圖可以有效地診斷出對(duì)質(zhì)量輸出影響比較大的故障變量,但是研究發(fā)現(xiàn),在無(wú)故障時(shí)每個(gè)過(guò)程輸入變量對(duì)故障檢測(cè)指標(biāo)的貢獻(xiàn)值并不是均等的.使用貢獻(xiàn)圖進(jìn)行診斷時(shí)有可能受到本來(lái)貢獻(xiàn)較大變量的影響,使得診斷結(jié)果不可解釋.本文通過(guò)正常訓(xùn)練樣本的各變量向監(jiān)測(cè)指標(biāo)的貢獻(xiàn)對(duì)測(cè)試樣本各變量向監(jiān)測(cè)指標(biāo)的貢獻(xiàn)進(jìn)行歸一化處理,提出一種新的相對(duì)貢獻(xiàn)圖法(new relative contribution,NRC).當(dāng)CMPLS檢測(cè)到故障后,利用NRC進(jìn)行故障識(shí)別,消除初始貢獻(xiàn)較大的過(guò)程輸入變量的影響,得到準(zhǔn)確的診斷結(jié)果.最后通過(guò)仿真實(shí)驗(yàn)驗(yàn)證所提算法的故障檢測(cè)性能和故障診斷性能.本文的創(chuàng)新點(diǎn)體現(xiàn)在以下幾方面：1)提出了CMPLS算法劃分新的投影空間,彌補(bǔ)了MPLS不足的同時(shí)避免大量迭代過(guò)程;2)對(duì)貢獻(xiàn)圖進(jìn)行了改進(jìn),提出了一種NRC方法進(jìn)行故障診斷,消除了過(guò)程變量中對(duì)檢測(cè)指標(biāo)初始貢獻(xiàn)較大的影響;3)結(jié)合所提CMPLS算法和NRC方法提出了一套完整的故障檢測(cè)與診斷技術(shù).

本文剩余部分結(jié)構(gòu)如下：第2節(jié)簡(jiǎn)要介紹基于MPLS的故障檢測(cè)方法;第3節(jié)給出基于CMPLS的質(zhì)量相關(guān)和過(guò)程相關(guān)故障檢測(cè)方法的詳細(xì)過(guò)程,定義并推導(dǎo)出各故障監(jiān)測(cè)指標(biāo)的變量貢獻(xiàn),進(jìn)行故障診斷;第4節(jié)通過(guò)數(shù)值仿真案例與田納西伊士曼過(guò)程(tennessee eastman process,TEP),同MPLS與EPLS方法進(jìn)行比較分析,說(shuō)明所提方法的有效性;第5節(jié)給出本文結(jié)論.

2 基于MPLS的故障檢測(cè)方法

給出一組過(guò)程輸入數(shù)據(jù)X=[x1x2··· xm]∈Rn×m和質(zhì)量輸出數(shù)據(jù)Y=[y1y2··· yl]∈Rn×l,X具有n個(gè)樣本點(diǎn),m個(gè)變量;Y具有n個(gè)樣本點(diǎn),l個(gè)變量.其中：xi=[x1i x2i ··· xni]T∈Rn,i=1,2,···,m;yj=[y1j y2j ··· ynj]T∈Rn,j=1,2,···,l.通常,為了技術(shù)上的便利以及消除變量的量綱效應(yīng),需要對(duì)數(shù)據(jù)進(jìn)行零均值、單位方差標(biāo)準(zhǔn)化處理,標(biāo)準(zhǔn)化后的數(shù)據(jù)仍記為X,Y.

針對(duì)PLS的不足,MPLS對(duì)X進(jìn)行正交分解,將X成功分解為與Y相關(guān)的和與Y無(wú)關(guān)的.MPLS的模型如下：

3 基于CMPLS的故障診斷方法

MPLS避免了復(fù)雜的迭代過(guò)程,展現(xiàn)出了較之PLS更好的性能,但是在MPLS中對(duì)XTX進(jìn)行廣義逆,可能會(huì)使得中摻入與質(zhì)量輸出Y無(wú)關(guān)的信息,而可能含有與質(zhì)量輸出Y相關(guān)的信息[17].其次,不論監(jiān)測(cè)空間還是空間,都僅僅監(jiān)測(cè)的是質(zhì)量輸出Y可預(yù)測(cè)的部分,而忽略了對(duì)質(zhì)量輸出Y不可預(yù)測(cè)部分的監(jiān)測(cè).基于此,提出了一個(gè)能夠全面監(jiān)測(cè)質(zhì)量輸出空間和過(guò)程輸入空間的CMPLS監(jiān)控方案.

3.1 模型建立

CMPLS主要實(shí)現(xiàn)以下目標(biāo)：

1) 利用MPLS將過(guò)程輸入空間X分為,對(duì)進(jìn)一步投影到輸入主子空間(input principal subspace,IPS)與輸入主殘差子空間(residual subspace of the input principal,IPRS),其中IPS負(fù)責(zé)監(jiān)控與質(zhì)量輸出相關(guān)的故障.

圖1 CMPLS對(duì)過(guò)程輸入變量空間的分解圖Fig.1 Decomposition diagram of CMPLS for process input variable space

3) 將不可預(yù)測(cè)的輸出變化進(jìn)一步投影到輸出主子空間(output principal subspace,OPS)和輸出殘差子空間(output residual subspace,ORS),以監(jiān)測(cè)與不可預(yù)測(cè)的質(zhì)量輸出相關(guān)的故障.

CMPLS算法的具體過(guò)程如下：

2) 得到不可預(yù)測(cè)的輸出Yc=Y ?XM,并對(duì)Yc進(jìn)行l(wèi)y個(gè)主元的PCA處理：

式(15)-(23)給出了所有與質(zhì)量輸出相關(guān)或過(guò)程輸入相關(guān)的主元空間變化信息和殘差空間變化信息.

3.2 故障檢測(cè)

根據(jù)第3.1節(jié)中的CMPLS模型,可以給出故障檢測(cè)統(tǒng)計(jì)指標(biāo).式(21)反應(yīng)了與質(zhì)量輸出相關(guān)的輸入數(shù)據(jù)得分;式(19)和式(22)分別為與過(guò)程輸入相關(guān)的變化;式(22)可能含有一些潛在的影響質(zhì)量輸出的變化信息,即便某些變化可能不會(huì)影響質(zhì)量輸出,但它們可能會(huì)導(dǎo)致過(guò)程操作中的后續(xù)性能損失,并不希望讓這些變化不受控制[13].另外,式(23)和式(18)是必須監(jiān)測(cè)的不可預(yù)測(cè)的質(zhì)量輸出變化和殘差,這是多變量質(zhì)量監(jiān)測(cè)的一項(xiàng)基本任務(wù)[26].

給出一個(gè)新樣本xnew,由第3.1節(jié)中式(13)-(23)計(jì)算出所有變化信息.IPS與IRPS中采用T2統(tǒng)計(jì)量進(jìn)行監(jiān)控,如式(24)與式(25)：

OPS與ORS中分別采用T2統(tǒng)計(jì)量與Q統(tǒng)計(jì)量進(jìn)行監(jiān)測(cè),如式(27)與式(28)：

綜合統(tǒng)計(jì)指標(biāo)Fy的控制限由式(6)或式(7)的形式在訓(xùn)練數(shù)據(jù)中計(jì)算的綜合統(tǒng)計(jì)指標(biāo)進(jìn)行確定.為了更加直觀,以相對(duì)統(tǒng)計(jì)量代替絕對(duì)統(tǒng)計(jì)量進(jìn)行過(guò)程監(jiān)測(cè),相對(duì)統(tǒng)計(jì)量如式(30)所示,則相對(duì)統(tǒng)計(jì)量的控制限均為1：

3.3 故障診斷

當(dāng)統(tǒng)計(jì)量檢測(cè)到故障時(shí),需要進(jìn)一步分析,以診斷出哪些變量可能會(huì)受該故障影響.貢獻(xiàn)圖是基于數(shù)據(jù)驅(qū)動(dòng)故障診斷中最流行的一種方法[27-28].傳統(tǒng)的貢獻(xiàn)圖方法中部分過(guò)程變量在系統(tǒng)正常運(yùn)行時(shí)對(duì)統(tǒng)計(jì)量的貢獻(xiàn)就比較大,這會(huì)對(duì)故障診斷產(chǎn)生干擾,無(wú)法準(zhǔn)確定位故障的變量.因此,本節(jié)提出了一種新的相對(duì)貢獻(xiàn)圖方法進(jìn)行故障診斷.

考慮到復(fù)雜系統(tǒng)中歷史數(shù)據(jù)對(duì)當(dāng)前樣本的影響,將貢獻(xiàn)重新定義如下：

其中N表示已獲得的樣本數(shù),第N個(gè)樣本即為當(dāng)前樣本.

但是,研究發(fā)現(xiàn),在無(wú)故障時(shí)每個(gè)過(guò)程輸入變量對(duì)統(tǒng)計(jì)量的貢獻(xiàn)值并不是均等的.以田納西伊士曼過(guò)程(Tennessee Astman process,TEP)[30]為例,TEP是由伊士曼化學(xué)公司為評(píng)估過(guò)程控制和監(jiān)測(cè)方法提供一個(gè)現(xiàn)實(shí)的工業(yè)過(guò)程而創(chuàng)建的,整個(gè)過(guò)程由反應(yīng)器、冷凝器、汽提塔、壓縮機(jī)和氣液分離器5個(gè)單元組成,包含A,B,C,D,E,F,G和H等8種成份,具體反應(yīng)如下：

其中：g表示氣態(tài),liq表示液態(tài),F為副產(chǎn)物.

如圖2所示是利用MPLS對(duì)TEP正常數(shù)據(jù)進(jìn)行故障診斷的傳統(tǒng)貢獻(xiàn)圖.由圖可以看出,正常工況下不同變量對(duì)統(tǒng)計(jì)量的貢獻(xiàn)不同,最大差異可達(dá)8個(gè)數(shù)量級(jí),這可能在使用貢獻(xiàn)圖診斷故障時(shí)會(huì)產(chǎn)生較大影響,使得診斷結(jié)果不可解釋.

圖2 TEP正常數(shù)據(jù)的MPLS傳統(tǒng)貢獻(xiàn)圖Fig.2 Traditional contribution plots of MPLS for normal data of TEP

圖3 TEP正常數(shù)據(jù)的MPLS新的相對(duì)貢獻(xiàn)圖Fig.3 New relative contribution plots of MPLS for normal data of TEP

4 數(shù)值仿真與TEP應(yīng)用

本節(jié)將CMPLS與MPLS[16]和EPLS[17]方法進(jìn)行比較,通過(guò)數(shù)值案例與TEP驗(yàn)證所提新方法的有效性.

4.1 數(shù)值仿真

采用以下模型生成無(wú)故障訓(xùn)練樣本[13]：

U([0,1])表示區(qū)間[0,1]內(nèi)的均勻分布.

首先用式(37)生成100個(gè)正常的訓(xùn)練樣本進(jìn)行CMPLS建模,由CPV[25]計(jì)算可得lp=2,lr=3,ly=1.然后在不同的故障情況下,使用式(38)或式(39)產(chǎn)生100個(gè)故障樣本用于故障檢測(cè).本小節(jié)后續(xù)試驗(yàn)中,前100個(gè)樣本為正常樣本,后100個(gè)樣本為故障樣本,使用和Fy四個(gè)統(tǒng)計(jì)指標(biāo)進(jìn)行過(guò)程監(jiān)控.

故障1發(fā)生在IPS中的故障.

為了在IPS中生成故障,取Pp的第1列為Ξx=[0.5269 0.5102 0.4915 0.4611?0.0888]T,fx為4.圖4為CMPLS對(duì)故障1的檢測(cè)結(jié)果,可以看出,統(tǒng)計(jì)量可以有效檢測(cè)到該故障,表明在過(guò)程輸入空間由檢測(cè)到的故障為質(zhì)量相關(guān)故障;由Fy統(tǒng)計(jì)量檢測(cè)結(jié)果可以推測(cè)該故障還影響了不可預(yù)測(cè)的質(zhì)量輸出.由圖5所示,此故障的確影響了質(zhì)量輸出和不可預(yù)測(cè)的質(zhì)量輸出.

圖4 CMPLS對(duì)故障1檢測(cè)結(jié)果Fig.4 Detection results of CMPLS for Fault 1

圖5 故障1下質(zhì)量輸出與不可預(yù)測(cè)質(zhì)量輸出Fig.5 Quality output and unpredictable quality output in case of Fault 1

故障2發(fā)生在IRPS中的故障.

圖6 CMPLS對(duì)故障2檢測(cè)結(jié)果Fig.6 Detection results of CMPLS for Fault 2

故障3發(fā)生在IRS中的故障.

圖8 CMPLS對(duì)故障3檢測(cè)結(jié)果Fig.8 Detection results of CMPLS for Fault 3

故障4發(fā)生在OPS中的故障.

取Ξy=[?0.7071 0.7071]T為Py的第1列,fy為0.5.CMPLS對(duì)故障4的檢測(cè)結(jié)果如圖9所示.該故障發(fā)生在不可預(yù)測(cè)的質(zhì)量輸出空間中,與過(guò)程輸入無(wú)關(guān),圖9中只有Fy統(tǒng)計(jì)量檢測(cè)到故障,這意味著當(dāng)其他統(tǒng)計(jì)量均未監(jiān)測(cè)到故障時(shí),Fy統(tǒng)計(jì)量監(jiān)測(cè)到的故障為與過(guò)程輸入無(wú)關(guān),但與不可預(yù)測(cè)的質(zhì)量輸出相關(guān)的故障.圖10與圖11分別為MPLS與EPLS對(duì)故障4的檢測(cè)結(jié)果,由圖可以看出,基于MPLS與EPLS的故障檢測(cè)方法無(wú)法檢測(cè)到此類故障.

圖9 CMPLS對(duì)故障4檢測(cè)結(jié)果Fig.9 Detection results of CMPLS for Fault 4

圖10 MPLS對(duì)故障4檢測(cè)結(jié)果Fig.10 Detection results of MPLS for Fault 4

圖11 EPLS對(duì)故障4檢測(cè)結(jié)果Fig.11 Detection results of EPLS for Fault 4

4.2 TEP應(yīng)用

本小節(jié)利用田納西伊士曼過(guò)程(TEP)[30]驗(yàn)證所提CMPLS方法的有效性.該過(guò)程包含41個(gè)測(cè)量變量(measurement variable,MEAS)和12個(gè)操縱變量(manipulated variable,MV),測(cè)量變量包含22個(gè)連續(xù)變量和19個(gè)成分變量.該過(guò)程共有21種故障,定義為IDV(1)-IDV(21),其中16個(gè)已知故障,5個(gè)未知故障.本節(jié)實(shí)驗(yàn)中,過(guò)程輸入變量選擇36個(gè)MEAS(1-36)(對(duì)應(yīng)實(shí)驗(yàn)中變量1-36)和11個(gè)MV(1-11)(對(duì)應(yīng)實(shí)驗(yàn)中變量37-47),質(zhì)量輸出變量選擇5個(gè)MEAS(37-41).后續(xù)實(shí)驗(yàn)中,前500個(gè)樣本為正常數(shù)據(jù),后480個(gè)樣本為含有故障的數(shù)據(jù).通過(guò)CPV[25]計(jì)算可得CMPLS中l(wèi)p=2,lr=24,ly=4.

4.2.1 故障檢測(cè)

在本小節(jié)以故障IDV(2)與IDV(4)為例利用MPLS與CMPLS分別進(jìn)行故障檢測(cè),以驗(yàn)證算法有效性.由文獻(xiàn)[16],IDV(2)為質(zhì)量相關(guān)故障,IDV(4)為質(zhì)量無(wú)關(guān)故障.IDV(2)為汽提塔入口處B組分含量發(fā)生階躍變化,圖12與圖13分別是MPLS與CMPLS對(duì)IDV(2)的過(guò)程監(jiān)測(cè)結(jié)果,MPLS的兩個(gè)檢測(cè)指標(biāo)和CMPLS的4個(gè)檢測(cè)指標(biāo)均檢測(cè)到故障.

圖12 MPLS對(duì)IDV(2)過(guò)程監(jiān)測(cè)結(jié)果Fig.12 Process monitoring results of MPLS for IDV(2)

圖13 CMPLS對(duì)IDV(2)過(guò)程監(jiān)測(cè)結(jié)果Fig.13 Process monitoring results of CMPLS for IDV(2)

IDV(4)是反應(yīng)器冷卻水入口溫度發(fā)生了階躍變化,這種擾動(dòng)不會(huì)影響產(chǎn)品質(zhì)量,圖14與圖15分別是MPLS與CMPLS對(duì)IDV(4)的過(guò)程監(jiān)測(cè)結(jié)果.由圖可以看出,CMPLS中且,根據(jù)檢測(cè)策略,該故障為與質(zhì)量輸出無(wú)關(guān),但與過(guò)程輸入相關(guān)的故障;同時(shí)有一定的報(bào)警,說(shuō)明該故障不直接影響質(zhì)量輸出,這一點(diǎn)體現(xiàn)在統(tǒng)計(jì)量中,但對(duì)不可預(yù)測(cè)的質(zhì)量輸出有一定影響,因此Fy統(tǒng)計(jì)量在故障階段有一定波動(dòng).在MPLS的監(jiān)測(cè)結(jié)果中只能判斷IDV(4)為質(zhì)量無(wú)關(guān)故障,得不到更多信息.

圖14 MPLS對(duì)IDV(4)過(guò)程監(jiān)測(cè)結(jié)果Fig.14 Process monitoring results of MPLS for IDV(4)

圖15 CMPLS對(duì)IDV(4)過(guò)程監(jiān)測(cè)結(jié)果Fig.15 Process monitoring results of CMPLS for IDV(4)

4.2.2 故障診斷

在進(jìn)行故障診斷之前,需要檢測(cè)到故障.本小節(jié)以故障IDV(14)為例,首先利用MPLS與CMPLS對(duì)IDV(14)進(jìn)行過(guò)程監(jiān)測(cè),然后分別通過(guò)MPLS結(jié)合傳統(tǒng)貢獻(xiàn)圖,MPLS結(jié)合NRC以及CMPLS結(jié)合NRC對(duì)IDV(14)進(jìn)行故障診斷,驗(yàn)證所提新方法的有效性.

在TEP中,IDV(14)與反應(yīng)器冷卻水閥門有關(guān).當(dāng)IDV(14)發(fā)生時(shí),反應(yīng)器冷卻水閥門將卡住保持不動(dòng),這將使得過(guò)程測(cè)量變量中反應(yīng)器溫度(MEAS(9)),反應(yīng)器冷卻水出口溫度(MEAS(21))以及過(guò)程操縱變量中反應(yīng)器冷水流量(MV(10))受到很大影響[31],分別對(duì)應(yīng)實(shí)驗(yàn)中變量9,21,46.圖16和圖17是MPLS與CMPLS對(duì)IDV(14)的過(guò)程監(jiān)測(cè)結(jié)果.由文獻(xiàn)[16]已知,IDV(14)不會(huì)對(duì)質(zhì)量產(chǎn)生影響,而圖16中,MPLS的質(zhì)量相關(guān)檢測(cè)指標(biāo)有較高的誤報(bào).由圖17可得,CMPLS中根據(jù)檢測(cè)策略,該故障為與過(guò)程輸入相關(guān)的質(zhì)量無(wú)關(guān)故障;同時(shí)說(shuō)明該故障對(duì)不可預(yù)測(cè)的質(zhì)量輸出有一定影響,因此Fy統(tǒng)計(jì)量在故障階段有一定報(bào)警.CMPLS對(duì)IDV(14)給出了比MPLS更加準(zhǔn)確而又全面的檢測(cè)結(jié)果.

圖16 MPLS對(duì)IDV(14)過(guò)程監(jiān)測(cè)結(jié)果Fig.16 Process monitoring results of MPLS for IDV(14)

圖17 CMPLS對(duì)IDV(14)過(guò)程監(jiān)測(cè)結(jié)果Fig.17 Process monitoring results of CMPLS for IDV(14)

圖18是MPLS結(jié)合傳統(tǒng)貢獻(xiàn)圖對(duì)IDV(14)的診斷結(jié)果.由圖可以看出,變量12,15,43與44對(duì)質(zhì)量相關(guān)統(tǒng)計(jì)量的貢獻(xiàn)極大,但I(xiàn)DV(14)主要影響的并不是這幾個(gè)變量.變量9與21對(duì)質(zhì)量無(wú)關(guān)統(tǒng)計(jì)量的貢獻(xiàn)最大,這在一定程度上可以解釋故障引起的變化,但并不全面和準(zhǔn)確.除了變量9和21外,其他變量也有較大貢獻(xiàn),同時(shí),變量46的貢獻(xiàn)卻很低,這一結(jié)果很難解釋.實(shí)際上,結(jié)合圖2可以看出,對(duì)質(zhì)量相關(guān)統(tǒng)計(jì)量的貢獻(xiàn)就是由正常情況下的各變量對(duì)統(tǒng)計(jì)量的不均等造成的,對(duì)質(zhì)量無(wú)關(guān)統(tǒng)計(jì)量也有同樣的影響.

圖18 IDV(14)的MPLS傳統(tǒng)貢獻(xiàn)圖Fig.18 Traditional contribution plots of MPLS for IDV(14)

圖19與圖20分別為MPLS與CMPLS結(jié)合NRC對(duì)IDV(14)的故障診斷結(jié)果.由圖19,MPLS結(jié)合NRC在兩個(gè)統(tǒng)計(jì)量中均準(zhǔn)確的定位了故障變量,相比較MPLS結(jié)合傳統(tǒng)貢獻(xiàn)圖,消除了傳統(tǒng)貢獻(xiàn)圖中各變量正常貢獻(xiàn)不均的影響.由圖20,CMPLS結(jié)合NRC診斷結(jié)果中,各變量對(duì)統(tǒng)計(jì)量貢獻(xiàn)均等,這是由于IDV(14)為質(zhì)量輸出無(wú)關(guān)故障,在IPS中無(wú)故障信息;而統(tǒng)計(jì)量能夠監(jiān)測(cè)到該故障,同時(shí)在IRPS與IRS中準(zhǔn)確定位到相應(yīng)故障變量,在IRPS中主要受影響的變量為9,21,46,在IRS中主要受影響的變量為21.比較圖19與圖20可以得到,利用CMPLS進(jìn)行故障診斷可以區(qū)分出故障是否質(zhì)量輸出相關(guān),而利用MPLS進(jìn)行故障診斷無(wú)法確定故障是否質(zhì)量輸出相關(guān).綜合來(lái)看,所提CMPLS與NRC均比MPLS與傳統(tǒng)貢獻(xiàn)圖的性能更好.

圖19 IDV(14)的MPLS新的相對(duì)貢獻(xiàn)圖Fig.19 New relative contribution plots of MPLS for IDV(14)

圖20 IDV(14)的CMPLS新的相對(duì)貢獻(xiàn)圖Fig.20 New relative contribution plots of CMPLS for IDV(14)

5 結(jié)論

本文提出了一種新的CMPLS算法來(lái)檢測(cè)質(zhì)量輸出相關(guān)和過(guò)程輸入相關(guān)的故障,并利用所提的新的相對(duì)貢獻(xiàn)圖法成功診斷出故障變量.通過(guò)CMPLS同時(shí)將輸入輸出數(shù)據(jù)映射到與過(guò)程相關(guān)或質(zhì)量相關(guān)的多個(gè)子空間,針對(duì)每個(gè)子空間分別提出了對(duì)應(yīng)的故障檢測(cè)指標(biāo),用于各類故障的檢測(cè)報(bào)警.該方法對(duì)可預(yù)測(cè)及不可預(yù)測(cè)的質(zhì)量輸出子空間中發(fā)生的故障以及影響過(guò)程輸入空間并可能影響質(zhì)量輸出的潛在故障進(jìn)行了全面監(jiān)測(cè),同時(shí)避免了大量的迭代過(guò)程.重新定義了一種新的相對(duì)貢獻(xiàn)圖,消除了正常工況下各變量向檢測(cè)指標(biāo)貢獻(xiàn)不均對(duì)診斷結(jié)果所造成的不良影響.通過(guò)數(shù)值仿真和TEP驗(yàn)證了所提方法的優(yōu)異性能.