數(shù)據(jù)驅(qū)動構(gòu)造流程工業(yè)系統(tǒng)狀態(tài)特征譜的方法

陳 倩,孫 鍇，2+

(1.西安建筑科技大學(xué) 機(jī)電工程學(xué)院，陜西 西安 710055；2.中國科學(xué)院 微電子研究所，北京 100029 )

0 引言

以能源重化工企業(yè)為代表的流程工業(yè)系統(tǒng)在我國國民經(jīng)濟(jì)中起著極其重要的作用，是我國制造業(yè)不可或缺的組成部分。流程工業(yè)系統(tǒng)由一系列復(fù)雜的機(jī)電設(shè)備組成，各設(shè)備種類和數(shù)量龐大，是一類典型的分布式復(fù)雜機(jī)電系統(tǒng)，其生產(chǎn)對象多數(shù)屬于高溫、高壓、易燃易爆等物質(zhì)，發(fā)生火災(zāi)、爆炸、污染物泄露和人員中毒等安全事故的概率遠(yuǎn)高于其他生產(chǎn)企業(yè)。在流程工業(yè)系統(tǒng)中，生產(chǎn)設(shè)備的安全管理與運(yùn)行健康狀態(tài)監(jiān)測是永恒的主題[1]。

流程工業(yè)系統(tǒng)內(nèi)部結(jié)構(gòu)較為復(fù)雜，各設(shè)備之間聯(lián)系緊密，具有高度耦合性，導(dǎo)致需要監(jiān)測和控制的回路數(shù)數(shù)以千計，并且傳感器需將監(jiān)測到的數(shù)據(jù)實(shí)時地上傳給分布式控制系統(tǒng)，因此其分布式控制系統(tǒng)實(shí)時記錄著整個系統(tǒng)的運(yùn)行數(shù)據(jù)，保存了所有的系統(tǒng)特征信息。系統(tǒng)在連續(xù)生產(chǎn)過程中產(chǎn)生的物質(zhì)流、能量流和信息流三者之間相互交換，導(dǎo)致系統(tǒng)監(jiān)測數(shù)據(jù)日益劇增，具有海量性、耦合性和非線性關(guān)系，很難建立數(shù)學(xué)解析表達(dá)式[2-4]。從系統(tǒng)層面直觀地展示系統(tǒng)的運(yùn)行健康狀態(tài)及動態(tài)演化過程，對于分析復(fù)雜機(jī)電系統(tǒng)的運(yùn)行狀態(tài)至關(guān)重要。

分布式控制系統(tǒng)(Distributed Control System，DCS)數(shù)據(jù)集是由數(shù)以千記的時間序列構(gòu)成，本質(zhì)上是一個多元時間序列。傳統(tǒng)的DCS數(shù)據(jù)分析法廣泛采用多元統(tǒng)計分析方法[5-7]，具有代表性的有主元分析法(Principal Component Analysis, PCA)[8]、獨(dú)立分量分析法(Independent Component Analysis, ICA)[9]、偏最小二乘算法(Partial Least Squares, PLS)[10]、核主元分析(Kernel Principal Component Analysis, KPCA)[11-13]、神經(jīng)網(wǎng)絡(luò)-PCA分析(Neural Network-PCA, NN-PCA)[14]和核獨(dú)立分量分析(Kernel Independent Component Analysis, KICA)[15-17]等。其主要思路是采用多變量映射方法對數(shù)據(jù)進(jìn)行降維，提取少量“關(guān)鍵”因素數(shù)據(jù)進(jìn)行分析，忽略掉大多數(shù)“非關(guān)鍵”信息。從歷次安全事故的事后分析來看，被高度關(guān)注的“關(guān)鍵”因素一般來說都運(yùn)行正常，而造成事故的正是所謂的“非關(guān)鍵”因素。這是由于流程工業(yè)系統(tǒng)本身所特有的設(shè)備間高度的關(guān)聯(lián)性和耦合性，導(dǎo)致從系統(tǒng)工程理論的角度來看不存在“非關(guān)鍵”數(shù)據(jù)。因此，不降維分析DCS的所有數(shù)據(jù)是準(zhǔn)確提取企業(yè)級系統(tǒng)運(yùn)行健康狀態(tài)信息的重要前提，也是數(shù)據(jù)分析領(lǐng)域面臨的重大挑戰(zhàn)。

為了避免數(shù)據(jù)降維，解決數(shù)據(jù)之間高度耦合的問題，數(shù)據(jù)可視化的方法得到了廣泛的使用[18-20]。魯文波等[21]通過近場聲全息重新構(gòu)建機(jī)械聲壓場和聲源的可視化聲像圖，從聲像圖中提取出灰度共生的矩陣特征，采用支持向量機(jī)(Support Vector Machine, SVM)模式識別達(dá)到故障診斷的效果；LU等[22]提出了聲全息圖方法，通過對比正常狀況和異常狀況時的灰度圖像，實(shí)現(xiàn)了機(jī)械設(shè)備非接觸式的故障模式識別；杜黨黨等[23]提出一種基于故障彩色圖譜的發(fā)動機(jī)故障模式識別方法；邴紹強(qiáng)[24]通過構(gòu)造采油生產(chǎn)知識圖譜及建立預(yù)警規(guī)則方法,研制了一套智能預(yù)警系統(tǒng)；劉鑫等[25]用灰度圖表征時域振動信號，提出一種基于灰度圖像紋理分析的二維故障特征提取模型。孫鍇等[3,26]將數(shù)字圖像處理技術(shù)引入到DCS數(shù)據(jù)分析中，定義了色彩相空間，將DCS監(jiān)測數(shù)據(jù)集轉(zhuǎn)化為數(shù)字圖像，制定了構(gòu)造系統(tǒng)圖譜，以圖像的形式反映系統(tǒng)運(yùn)行狀態(tài)特征的方法，有效地展現(xiàn)了多變量數(shù)據(jù)間的內(nèi)在關(guān)系，從宏觀層面將多變量數(shù)據(jù)間的高耦合性、非線性關(guān)系直觀地呈現(xiàn)出來。其中，系統(tǒng)故障圖譜將監(jiān)測數(shù)據(jù)分為正常數(shù)據(jù)和異常數(shù)據(jù)兩類，分別以白色和黑色對數(shù)據(jù)進(jìn)行著色，以黑白二值圖像反映了系統(tǒng)中異常數(shù)據(jù)的分布特征。然而，僅將監(jiān)測數(shù)據(jù)劃分為正常和異常兩類過于簡單，降低了分析的準(zhǔn)確性，無法滿足企業(yè)生產(chǎn)要求。對于流程工業(yè)來說，一次停機(jī)或大修的成本代價很高，企業(yè)工程師需要了解數(shù)據(jù)的異常程度作為維修設(shè)備的依據(jù)，而系統(tǒng)故障圖譜簡化了數(shù)據(jù)異常程度信息。

為了解決上述問題，本文提出了構(gòu)造系統(tǒng)狀態(tài)特征譜的方法，在系統(tǒng)故障圖譜的數(shù)據(jù)分類基礎(chǔ)上對DCS監(jiān)測數(shù)據(jù)集中所有數(shù)據(jù)按照偏離最優(yōu)值的程度進(jìn)行了細(xì)化分類和著色，最大限度地保留了數(shù)據(jù)異常程度信息。通過對系統(tǒng)狀態(tài)圖譜中像素點(diǎn)的位置以及色彩的分布規(guī)律進(jìn)行分析，可以更加準(zhǔn)確地對系統(tǒng)的整體運(yùn)行健康狀態(tài)做出判斷。

1 數(shù)據(jù)矩陣X

DCS監(jiān)控數(shù)據(jù)集可以被看作是一個多變量時間序列集，其中包含了n個監(jiān)測變量的時間序列。每經(jīng)過一個采樣時間間隔，對各個監(jiān)測變量參數(shù)進(jìn)行一次采樣，每個變量在一個監(jiān)測時間間隔內(nèi)可以截取m個采樣值。將采樣監(jiān)測變量作為行向量，采樣時間序列作為列向量進(jìn)行排布，可以構(gòu)造出一個m×nm×n的二維矩陣X。n個監(jiān)測變量構(gòu)成n維Hausdorff拓?fù)淇臻gS∈Rn，m個采樣周期構(gòu)成m維Hausdorff拓?fù)淇臻gD∈Rm，系統(tǒng)監(jiān)測數(shù)據(jù)集由它們的笛卡爾乘積空間S×D∈Rm×n構(gòu)成，這是一個m×n維的Hausdorff拓?fù)淇臻g。定義一個二維Hausdorff拓?fù)淇臻gX∈R2，建立映射關(guān)系f:S×D→X，將蘊(yùn)含復(fù)雜機(jī)電系統(tǒng)運(yùn)行健康狀態(tài)的 DCS監(jiān)測數(shù)據(jù)集投影到二維數(shù)據(jù)空間中。

定義1數(shù)據(jù)矩陣X。本文將既能反映復(fù)雜機(jī)電系統(tǒng)的時間和空間分布，又能反映系統(tǒng)運(yùn)行健康狀態(tài)的矩陣，稱為分布式復(fù)雜機(jī)電系統(tǒng)的數(shù)據(jù)矩陣X，

(1)

式中xijxij表示第j個監(jiān)測變量在第i個采樣周期的數(shù)值。數(shù)據(jù)矩陣X的行向量Xi∈Rm表示系統(tǒng)的n個監(jiān)測變量在時刻i的一個采樣值，代表著某個特定時間點(diǎn)的系統(tǒng)動態(tài)特性。數(shù)據(jù)矩陣X的列向量Xj∈Rn表示系統(tǒng)的第j個監(jiān)測變量的時間序列。

2 分類矩陣Q

根據(jù)企業(yè)生產(chǎn)的實(shí)際工況，挑選出系統(tǒng)處于運(yùn)行狀態(tài)最佳時段下所監(jiān)測到DCS數(shù)據(jù)集，并將該數(shù)據(jù)集中的數(shù)據(jù)作為評判系統(tǒng)運(yùn)行狀態(tài)的基準(zhǔn)，即DCS標(biāo)準(zhǔn)集。通過DCS標(biāo)準(zhǔn)集中各列向量的平均值和方差，得到最優(yōu)監(jiān)測值向量E和異常偏離度G作為待測數(shù)據(jù)集的分類的基準(zhǔn)向量。

2.1 數(shù)據(jù)分類器T

定義2最優(yōu)監(jiān)測值向量E。對DCS標(biāo)準(zhǔn)集所構(gòu)成的數(shù)據(jù)矩陣中的每一列求平均值，可以得到其均值行向量，將該均值行向量稱為最優(yōu)監(jiān)測值向量E：

(2)

定義3異常偏離度G向量。對DCS標(biāo)準(zhǔn)集所構(gòu)成的數(shù)據(jù)矩陣中的每一列求標(biāo)準(zhǔn)差，所得到的系統(tǒng)標(biāo)準(zhǔn)差行向量稱為異常偏離度向量G,

(3)

定義4標(biāo)準(zhǔn)質(zhì)量區(qū)間。根據(jù)異常偏離度對DCS監(jiān)測數(shù)據(jù)進(jìn)行分類的基準(zhǔn)區(qū)間。當(dāng)變量j的監(jiān)測數(shù)據(jù)在標(biāo)準(zhǔn)區(qū)間中時，表明系統(tǒng)處于最佳運(yùn)行狀態(tài)，如式(4)所示：

μj-σj≤xj≤μj+σj。

(4)

根據(jù)定義2和定義3，將傳感器變量j的監(jiān)測數(shù)據(jù)劃分到不同的質(zhì)量間隔中，如圖1所示。圖中h表示偏離標(biāo)準(zhǔn)值的異常偏離值，偏離標(biāo)準(zhǔn)區(qū)間的值越高，表示系統(tǒng)的運(yùn)行故障程度越高。

根據(jù)標(biāo)準(zhǔn)質(zhì)量區(qū)間，將每個參數(shù)變量在一段采樣周期內(nèi)監(jiān)測的采樣值通過數(shù)據(jù)分類器T進(jìn)行分類，將各變量的監(jiān)測值按偏離標(biāo)準(zhǔn)值的不同程度分類到相應(yīng)的作用域內(nèi)，構(gòu)成數(shù)據(jù)分類矩陣Q。

定義5數(shù)據(jù)分類器T。由系統(tǒng)各變量的標(biāo)準(zhǔn)值和各等級異常偏離度值所構(gòu)成的矩陣，稱其為數(shù)據(jù)分類器T，

(5)

該數(shù)據(jù)分類器的主要特點(diǎn)是將難以辨識的浮點(diǎn)型數(shù)據(jù)以簡單的整型數(shù)值代替并進(jìn)行分類，對變量j監(jiān)測數(shù)據(jù)的分類過程如式(6)所示:

(6)

2.2 分類矩陣Q

定義6分類矩陣Q。 將待測的監(jiān)測數(shù)據(jù)通過數(shù)據(jù)分類器T進(jìn)行分類后，所得到的整數(shù)型矩陣稱為數(shù)據(jù)分類矩陣Q，

(7)

分類矩陣中不同元素代表不同的系統(tǒng)運(yùn)行狀態(tài)。根據(jù)三西格瑪質(zhì)量控制原理，當(dāng)異常值在0～2之間時，說明系統(tǒng)處于安全運(yùn)行狀態(tài)范圍內(nèi)。當(dāng)異常值高于正常運(yùn)行范圍時，異常值越高，則系統(tǒng)異常程度越高。

3 系統(tǒng)狀態(tài)特征譜

雖然人眼難以直觀地辨識出整型數(shù)據(jù)的變化規(guī)律，并從中找出異常數(shù)據(jù)，但是人眼對色彩變化的敏感度遠(yuǎn)遠(yuǎn)高于對數(shù)字變化的敏感度。通過制定著色規(guī)則，對分類矩陣Q中的元素進(jìn)行著色，構(gòu)造系統(tǒng)狀態(tài)特征譜。

3.1 狀態(tài)特征譜的著色規(guī)則

根據(jù)RGB色彩規(guī)則，對DCS監(jiān)控數(shù)據(jù)集中所有數(shù)據(jù)按照偏離最優(yōu)值的程度進(jìn)行細(xì)分。為了人眼有效地區(qū)分色彩，三原色RGB的各個分量只能在全0和全1中取，其中RGB三個分量取0和1為色彩的兩個極端情況，本文選擇23= 8種最極端的顏色表示系統(tǒng)運(yùn)行健康狀態(tài)。孫鍇等[3]在構(gòu)造系統(tǒng)故障圖譜研究中，用黑色表示故障點(diǎn)，白色表示無故障數(shù)據(jù)。對數(shù)據(jù)矩陣X著色后，以二值數(shù)字圖像的形式展示系統(tǒng)運(yùn)行健康狀態(tài)。為了與黑白二值系統(tǒng)故障圖譜相區(qū)別，同時由于在彩色圖像中，人眼對紅色的辨識度高于黑色，視覺感官更強(qiáng)，本文用紅色代替黑色表示系統(tǒng)變量觀測值偏離最優(yōu)值最遠(yuǎn)的區(qū)間，用綠色代表觀測值處于最優(yōu)區(qū)間，中間過渡色根據(jù)偏離最優(yōu)值距離區(qū)間從近到遠(yuǎn)依次著色為黃、白、藍(lán)、青、紫。將蘊(yùn)含復(fù)雜機(jī)電系統(tǒng)運(yùn)行健康狀態(tài)的數(shù)據(jù)矩陣X從海量高維Hausdorff空間投影到二維色彩相空間中，構(gòu)造出系統(tǒng)狀態(tài)特征譜。

定義7狀態(tài)特征譜P。對數(shù)據(jù)分類矩陣Q進(jìn)行染色，其中pixel_0表示為綠色、pixel_1表示為黃色、pixel_2表示為白色、pixel_3表示為藍(lán)色、pixel_4表示為青色、pixel_5表示為紫色、pixel_6表示為紅色，在二維平面中可以得到彩色圖像，稱為狀態(tài)特征譜P，如式(8)所示：

(8)

依據(jù)式(8)所定義的著色規(guī)則，對數(shù)據(jù)分類矩陣中的數(shù)據(jù)進(jìn)行著色，系統(tǒng)整體的運(yùn)行健康狀態(tài)通過色彩的分布和變化被呈現(xiàn)在一幅二維平面數(shù)字彩色圖像上。

3.2 構(gòu)造流程

系統(tǒng)狀態(tài)特征譜的構(gòu)造流程如圖2所示。根據(jù)現(xiàn)場監(jiān)控記錄，挑選出系統(tǒng)運(yùn)行狀態(tài)最佳的一天所對應(yīng)的DCS數(shù)據(jù)集作為運(yùn)行狀態(tài)的分析標(biāo)準(zhǔn)。將待測DCS數(shù)據(jù)集以同樣的采樣周期為單位劃分為的獨(dú)立數(shù)據(jù)集。通過構(gòu)建數(shù)據(jù)分類器T、分類矩陣Q，構(gòu)造系統(tǒng)特征譜P，分析系統(tǒng)運(yùn)行健康狀態(tài)。具體步驟如下：

步驟1根據(jù)現(xiàn)場監(jiān)控待測的DCS數(shù)據(jù)中，人為選取出某段系統(tǒng)運(yùn)行狀態(tài)時段最佳的DCS監(jiān)測數(shù)據(jù)集，作為標(biāo)準(zhǔn)集。

步驟2對DCS標(biāo)準(zhǔn)數(shù)據(jù)集求取最優(yōu)監(jiān)測值向量和異常偏離度向量，構(gòu)造數(shù)據(jù)分類器T。

步驟3將待測的DCS數(shù)據(jù)集通過數(shù)據(jù)分類器T進(jìn)行分類，根據(jù)不同程度偏離最優(yōu)標(biāo)準(zhǔn)值進(jìn)行分類后，構(gòu)建出分類矩陣Q。

步驟4按照數(shù)據(jù)著色規(guī)則對分類矩陣Q進(jìn)行著色，構(gòu)造系統(tǒng)狀態(tài)特征譜P。

步驟5根據(jù)分析所構(gòu)造的系統(tǒng)狀態(tài)特征譜，分析系統(tǒng)運(yùn)行健康狀態(tài)。

4 算法的先進(jìn)性和有效性

田納西-伊斯曼過程仿真過程(Tennessee-Eastman Process，TEP)是由伊斯曼化工公司提出的一種通用化學(xué)過程模擬器，是一個用微分方程模擬化工生產(chǎn)過程的仿真系統(tǒng)，其主要目的是為了給評估監(jiān)測方法和工程控制提供一個現(xiàn)實(shí)的工業(yè)流程仿真。

田納西-伊斯曼過程主要由反應(yīng)器、壓縮機(jī)、冷凝器、分離器和汽提塔5個單元組成，包含了 A、B、…、H8種成分，其主要工藝流程如圖3所示。圖3中XA, XB，…，XH為輸出；1、2、…、13為流號；CWR為冷卻水回流；CWS為水煤漿；LI、JI、TI、FI和PI為變量控制器。反應(yīng)器的物質(zhì)流經(jīng)過冷凝器冷卻后，送入分離器中進(jìn)行分離，將分離出來的蒸汽經(jīng)過壓縮機(jī)壓縮后再循環(huán)送進(jìn)反應(yīng)器中。

TEP包含可以模擬正常運(yùn)行狀態(tài)的52個變量，其中XMEAS(1)～XMEAS(41)為監(jiān)測變量，XMV(1)～XMV(12)為控制變量，所有變量同步采樣周期為1 min。并且TEP測試數(shù)據(jù)集包含1個無故障數(shù)據(jù)包和21個典型類型的故障數(shù)據(jù)包，每個數(shù)據(jù)包包括480×52個數(shù)據(jù)點(diǎn)。

傳統(tǒng)的數(shù)據(jù)驅(qū)動故障辨識方法主要包含PCA, 規(guī)范變量分析(Canonical Variable Analysis, CVA) 和動態(tài)主元分析(Dynamic Principal Component Analysis, DPCA)，這些方法的主要思想是基于數(shù)據(jù)降維。利用本文所提出的方法與傳統(tǒng)數(shù)據(jù)驅(qū)動故障辨識的方法對田納西仿真系統(tǒng)的21種典型故障的數(shù)據(jù)進(jìn)行分析，各方法的故障辨識精確度情況對比如表1所示。

表1 狀態(tài)特征譜方法與傳統(tǒng)方法的對比

由表1可知，PCA和DPCA方法對于21種典型故障模式的故障識別精確度為52.38%，CVA方法的故障識別精確度為71.43%，而本文提出系統(tǒng)狀態(tài)特征譜方法的故障識別精確度為100%。通過對比，本文所提出的系統(tǒng)狀態(tài)特征譜的方法對故障的識別精確度更高。

根據(jù)定義1可知，將52個監(jiān)測變量所構(gòu)成的時間序列作為列向量，按照XMEAS(1)～XMEAS(41)、XMV(1)～XMV(11)的順序排列，構(gòu)造了480×52的二維矩陣。根據(jù)圖2的系統(tǒng)狀態(tài)特征譜的流程，構(gòu)造出TEP有無故障狀態(tài)特征譜，對比無故障系統(tǒng)故障圖譜和有故障系統(tǒng)狀態(tài)特征譜，如圖4所示。

從圖4a可以看出，無故障狀態(tài)下的系統(tǒng)故障圖譜是一副純白色的圖像，只能反映系統(tǒng)設(shè)備都正常運(yùn)行，更多的信息無法被呈現(xiàn)出來。而如圖4b所示，本文所提出構(gòu)造系統(tǒng)狀態(tài)特征譜的方法在無故障狀態(tài)下呈現(xiàn)出綠、黃、白色彩相間的一副圖像，顯示了系統(tǒng)中各個設(shè)備在安全范圍內(nèi)波動的情況。這雖然表明監(jiān)測數(shù)據(jù)還在正常運(yùn)行的范圍內(nèi)，但偏離最優(yōu)值程度各有不同，被呈現(xiàn)出來的信息更加具體豐富。根據(jù)本文提出的分類矩陣的概念，將TEP無故障數(shù)據(jù)構(gòu)成的分類矩陣中的各列進(jìn)行求和，各參數(shù)的異常程度值如圖5所示。將監(jiān)測值異常程度由高到低進(jìn)行排序，需要著重觀察并予以關(guān)注的變量序列一目了然，然而這些信息在圖4a的故障圖譜中均被拋棄掉了，導(dǎo)致無法具體地呈現(xiàn)系統(tǒng)運(yùn)行健康狀態(tài)。

以TEP故障模式4為例，對比系統(tǒng)故障圖譜[3]與系統(tǒng)狀態(tài)特征譜繪制出的系統(tǒng)有故障圖譜，如圖6所示。

從圖6a中可以看到，變量51處有一條縱穿圖譜的黑色條紋和其他零星分布的黑色斑點(diǎn)，這表明變量51在整個采樣周期中都出現(xiàn)了異常，其他變量的監(jiān)測值零星出現(xiàn)異常，但很快消失。由于整個圖譜上的異常值都用黑色表示，無法區(qū)分變量51出現(xiàn)的異常值和其它變量顯示的異常值的異常程度及區(qū)別，無法判定出著重觀察的區(qū)域。

由圖6b可知，TEP狀態(tài)特征譜是由不同顏色所構(gòu)成的。圖6b中，變量51是一條貫穿整個監(jiān)測時序的縱向紅色條紋，紅色像素代表了系統(tǒng)目前已經(jīng)發(fā)出了嚴(yán)重故障的預(yù)警。而在其他位置出現(xiàn)部分藍(lán)色、青色、紫色斑點(diǎn)，這些不同的色彩代表著不同的故障程度，但它們的異常嚴(yán)重程度遠(yuǎn)遠(yuǎn)小于變量51“反應(yīng)器冷卻水流量”出現(xiàn)的嚴(yán)重故障。根據(jù)圖6b給出的信息，工程師可以判斷出其他系統(tǒng)變量造成的故障程度處于安全范圍內(nèi)，僅予以觀察，但不采取措施，而是專注解決變量51造成的故障，這一信息無法從圖6a中獲取到。

相比于系統(tǒng)故障圖譜而言，本文提出構(gòu)造系統(tǒng)狀態(tài)特征譜的方法不僅能夠表達(dá)出系統(tǒng)是否處于異常狀態(tài)的信息，同時通過細(xì)化系統(tǒng)故障的映射關(guān)系，不同的顏色代表系統(tǒng)不同的異常程度，根據(jù)像素點(diǎn)的位置來判斷系統(tǒng)異常情況并采取相應(yīng)措施，從全局上更準(zhǔn)確地把握了系統(tǒng)的運(yùn)行狀態(tài)。

5 某化工企業(yè)空氣壓縮機(jī)組實(shí)例應(yīng)用

某化工廠空氣壓縮機(jī)組的設(shè)備連接如圖7所示。該壓縮機(jī)機(jī)組由汽輪機(jī)、空壓機(jī)、增壓機(jī)、變速箱等設(shè)備組成，設(shè)備與設(shè)備之間通過連接管進(jìn)行連接，各設(shè)備間相互協(xié)調(diào)，達(dá)到空氣壓縮的功能，是一個典型的復(fù)雜機(jī)電系統(tǒng)。該化工廠空氣壓縮機(jī)組總共包括250個傳感器，種類繁多，如溫度、流量、壓力、轉(zhuǎn)速、功率等傳感器。這些傳感器對系統(tǒng)進(jìn)行實(shí)時監(jiān)控，實(shí)時將監(jiān)測數(shù)據(jù)上傳給控制系統(tǒng)——DCS。

對該空氣壓縮機(jī)組運(yùn)行半年時間的監(jiān)測數(shù)據(jù)進(jìn)行分析。根據(jù)定義2～定義7，將該空氣壓縮機(jī)組2013年上半年所有的DCS監(jiān)測數(shù)據(jù)構(gòu)造出反映半年內(nèi)系統(tǒng)運(yùn)行健康狀態(tài)的狀態(tài)特征譜，如圖8所示。其中橫軸表示250個系統(tǒng)采樣參數(shù)變量，縱軸表示系統(tǒng)的采樣時序?yàn)?21，監(jiān)測數(shù)據(jù)的測試樣本數(shù)為32 805 500個數(shù)據(jù)點(diǎn)。

由圖8可知，該化工企業(yè)2013年上半年的系統(tǒng)狀態(tài)圖譜上分布著不同色彩的像素點(diǎn)。根據(jù)本文所提出的數(shù)據(jù)分類算法以及著色規(guī)則可知，圖8中呈現(xiàn)的綠、黃、白3種顏色代表系統(tǒng)處于正常運(yùn)行狀態(tài)。其中綠色為最佳的系統(tǒng)運(yùn)行狀態(tài)，黃色和白色代表在系統(tǒng)允許的波動范圍下正常運(yùn)行，但實(shí)際上已經(jīng)說明系統(tǒng)處于亞健康狀態(tài)了，應(yīng)給予留意和觀察；而綠、黃、白以外的其他顏色分別代表著不同程度的故障運(yùn)行狀態(tài)，其中紅色為嚴(yán)重故障狀態(tài)。如圖8所示，有兩條較為醒目的紅色條紋橫穿整幅圖譜，它們分別代表2013年02月14日、2013年03月25日這兩天的系統(tǒng)運(yùn)行狀態(tài)。2月14日的紅色條紋是橫向貫穿整幅狀態(tài)圖譜的，說明當(dāng)天所有的傳感器監(jiān)測的設(shè)備都在發(fā)出嚴(yán)重故障預(yù)警；03月25日的紅色條紋代表傳感器120～250所監(jiān)測的設(shè)備都在發(fā)出嚴(yán)重預(yù)警，此時必須要采取相應(yīng)的檢修措施，整個系統(tǒng)應(yīng)該立即停車大修。因此，本文對圖8中較為明顯的兩條紅色條紋及前后時段作為重點(diǎn)進(jìn)行放大分析，如圖9和圖10所示。

圖9中，在2013年2月13日中午12：00左右至14日零點(diǎn)左右，整個系統(tǒng)狀態(tài)特征譜的色彩呈紅色，且基本貫穿了250個系統(tǒng)監(jiān)測變量，這說明整個系統(tǒng)都在發(fā)出嚴(yán)重故障預(yù)警。2月14日零點(diǎn)～2月16日下午13：00左右，系統(tǒng)變量為177～195、變量210～248左右的采樣點(diǎn)仍持續(xù)發(fā)出嚴(yán)重故障預(yù)警。變量為35～68在系統(tǒng)狀態(tài)特征譜的整個時序上貫穿著紫色和藍(lán)色，代表著不同程度的故障發(fā)生，但這些異常程度不高，可將這部分時段呈現(xiàn)出來的系統(tǒng)運(yùn)行狀態(tài)與實(shí)際工況相結(jié)合，對此時段的系統(tǒng)運(yùn)行狀況予以關(guān)注或采取相應(yīng)措施。

如圖10所示，傳感器120～190、210～240在2013年3月20日～4月1日范圍內(nèi)呈現(xiàn)著紅色斑點(diǎn)，代表在這段時序范圍內(nèi)，這些系統(tǒng)變量發(fā)出嚴(yán)重故障預(yù)警。并且圖10中的部分變量在一定的時序范圍內(nèi)呈現(xiàn)紫色像素和藍(lán)色像素，而這些色彩同樣也反映著各系統(tǒng)變量不同程度的故障狀態(tài)，這些部分將作為重點(diǎn)觀察區(qū)域，觀察系統(tǒng)故障運(yùn)行狀態(tài)是否有向嚴(yán)重故障運(yùn)行狀態(tài)的趨勢。因此，本文提出的方法是通過觀察系統(tǒng)狀態(tài)特征譜顏色的變化及分布規(guī)律，全面地把握系統(tǒng)運(yùn)行健康狀態(tài)，在重大安全事故發(fā)生之前準(zhǔn)確快速地作出預(yù)警，避免不必要的損失。

6 結(jié)束語

本文提出一種基于DCS監(jiān)測數(shù)據(jù)集構(gòu)造系統(tǒng)狀態(tài)特征譜分析系統(tǒng)整體運(yùn)行健康狀態(tài)的方法。該方法改進(jìn)了之前提出的系統(tǒng)故障圖譜無法精確反映故障程度的缺點(diǎn)，通過設(shè)計數(shù)據(jù)分類器和制定著色規(guī)則，對系統(tǒng)監(jiān)測數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行分類和著色，將所有的數(shù)據(jù)呈現(xiàn)在二維圖像上，構(gòu)造出信息豐富細(xì)致的系統(tǒng)狀態(tài)特征譜。通過分析像素點(diǎn)的位置以及顏色的分布范圍，實(shí)現(xiàn)具體全面的掌握系統(tǒng)的運(yùn)行健康狀態(tài)，提高了分析準(zhǔn)確度，為之后的量化分析奠定了基礎(chǔ)。下一步的研究將利用數(shù)字圖像處理技術(shù)中豐富的圖像分析算法，更加充分地挖掘潛藏在系統(tǒng)狀態(tài)特征譜中的系統(tǒng)健康運(yùn)行狀態(tài)，實(shí)現(xiàn)復(fù)雜機(jī)電系統(tǒng)運(yùn)行健康狀態(tài)的量化評級和快速、準(zhǔn)確溯源。