一种基于模糊自适应预测的动态过程故障预报方法
【专利摘要】本发明属于化工生产过程故障诊断与预报【技术领域】,涉及一种基于模糊自适应预测的动态过程故障预报方法,先基于模糊自适应无迹卡尔曼预测方法依次确定故障参数和状态变量,再根据故障参数的标准差判断是否进行未来多步预测;然后计算未来多步预测值;最后利用测量输出变量的西格玛点计算故障预测概率,再根据故障预测概率进行故障预测;其整体工艺过程简单,原理可靠,计算参数准确,估计故障状态精度高,适应范围广,逻辑性强,环境友好。
【专利说明】一种基于模糊自适应预测的动态过程故障预报方法【技术领域】:
[0001]本发明属于化工生产过程故障诊断与预报【技术领域】,涉及一种基于模糊自适应预测的动态过程故障预报方法。
【背景技术】:
[0002]随着化学工业生产规模的不断扩大和生产过程的日益复杂,一旦发生过程故障就会影响产品质量,甚至造成人员伤亡和生态危机,为保证生产过程的稳定性、减小故障损失,在自动化生产过程中迫切希望预知过程未来运行状态,在过程超出正常运行区域之前尽可能早地检测到故障,将故障消灭在萌芽状态。故障预报技术是利用故障发生初期的微小异常信息通过计算过程变量的未来预测值,对即将发生的异常事故提前报警,而且故障预报是设备状态维修的关键技术,有助于解决维修不足和检修过剩问题。因此,故障预报技术是提高过程安全、减小过程故障损失的关键。故障预报是故障检测和诊断技术的新兴研究领域;目前,相关研究成果较少,2001年Juricek和Seborg等提出预测监控概念,即在检测到故障之后利用过程变量预测值判断过程将来是否超出紧急控制限。目前,故障预报技术主要围绕两个方面开展研究:一是如何准确跟踪故障过程、准确预测未来过程信息;二是如何利用有限的未来预测信息判断过程的未来运行状态,其中,对于如何准确跟踪故障过程、准确预测未来过程信息的问题,亟需研究具有较强跟踪能力的过程状态和输出预测方法,现有的预测方法包括卡尔曼预测器、粒子预测器、强跟踪粒子滤波器、模糊自适应无迹(unscented)卡尔曼预测器、支持向量机和基于相关向量机模糊模型的预测方法;对于如何利用有限的未来预测信息判断过程的未来运行状态的问题,Juricek和Seborg等直接将未来输出预测值区间与控制限进行比较;胡昌华等利用强跟踪粒子滤波器估计过程状态变量,根据状态变量的粒子计算故障预测概率;模糊自适应unscented卡尔曼预测方法在论文(Tian Xuemin , Cao Yuping, Chen Sheng, Process Fault Prognosis Using aFuzzy-Adaptive Unscented Kalman Predictor, International Journal of AdaptiveControl and Signal Processing, 2011,25 (9):813 - 830/田学民,曹玉苹,陈生,基于模糊自适应无迹卡尔曼预测的过程故障预报,国际自适应控制与信号处理杂志,2011,25 (9):813 - 830,)中公开发表;但是,就上述现有技术而言,对于有的过程模型,状态变量没有实际物理意义,其正常运行区间难以确定,而且对于非线性动态过程,尚未见有逻辑完整、实用性较强的实时故障预报系统。
【发明内容】
:
[0003]本发明的目的在于克服现有技术存在的缺点,寻求设计提供一种基于模糊自适应预测的动态过程故障预报方法,通过建立适用于非线性动态过程的实时故障预报系统,先基于模糊自适应unscented卡尔曼预测方法依次估计故障参数和状态变量,再根据故障参数的标准差判断是否进行未来多步预测;然后使用unscented卡尔曼预测方法计算未来多步预测值;最后利用测量输出变量的sigma点计算故障预测概率,再根据故障预测概率进行故障预测。
[0004]为了实现上述目的,本发明实现动态过程故障预报的具体过程包括以下步骤:
[0005](I)、先采集故障参数的实时测量数据,使用模糊自适应无迹卡尔曼预测方法计算故障参数后再确定过程状态;
[0006](2)、根据步骤(1)计算的故障参数的标准差判断是否进行未来多步预测;若进行未来多步预测,则进行步骤(3);否则,返回执行步骤(1);
[0007](3)、使用模糊自适应无迹卡尔曼预测方法计算未来多步预测值,利用未来测量输出变量的西格玛(sigma)点计算故障预测概率;
[0008](4)、根据故障预测概率判断动态过程将来是否超出正常运行区域;若超出正常运行区域,则进行故障预报警后返回执行步骤(1);否则直接返回执行步骤(I )。
[0009]本发明涉及的模糊自适应无迹卡尔曼预测方法采用非线性动态系统模型,非线性动态系统1吴型为:
[0010]X (k+1) =f (x (k), u (k)) +d (k) +w (k) (I)
[0011]y (k) =H (k) X (k) +v (k)(2)
[0012]其中k表示采样时刻,k为自然数,I ^ 1000, X表示η维的状态向量,η为自然数,I ^ n ^ 10, u表示I维的测量输入向量,I为自然数,I ≤ I ≤10, d表示η维的不可测故障项,f (.)表示η维非线性函数向量,对X连续可导,y表示m维的测量输出向量,m为自然数,I10,H表示mX η维的矩阵,w表示η维的过程噪声,服从均值为零协方差矩阵为Q的正态分布,Q表示ηΧη维的协方差矩阵,ν表示m维的测量噪声,服从均值为零协方差矩阵为R的正态分布,R表示mXm维的协方差矩阵,w与ν不相关;u(k) e Rlx1,x(k) e Rnxi, y(k) e Rmxi分别表示测量输入、状态和测量输出;d(k) e Rnxi表示不可测故障项;w(k) e Rnxi, v(k) e Rmxi分别表示过程噪声和测量噪声,二者不相关且分别服从均值为零、方差为Q(k)和R(k)的正态分布;当过程正常运行时,故障项d(k)=0 ;当过程出现故障时,故障项d(k)古O ;故障预报针对缓慢变化型故障采用的故障模型为:
[0013]d(k) = r (k, k0) θ(3)
[0014]其中Θ表示2η维的故障参数向量,k0表示故障起始时间,T (k, k0)为nX2n维的时间函数矩阵;以2阶系统为例,故障模型为:
[0016] 其中
【权利要求】
1.一种基于模糊自适应预测的动态过程故障预报方法,其特征在于实现动态过程故障预报的具体过程包括以下步骤: (1)、先采集故障参数的实时测量数据,使用模糊自适应无迹卡尔曼预测方法计算故障参数后再确定过程状态; (2)、根据步骤(1)计算的故障参数的标准差判断是否进行未来多步预测;若进行未来多步预测,则进行步骤(3);否则,返回执行步骤(1); (3)、使用模糊自适应无迹卡尔曼预测方法计算未来多步预测值,利用未来测量输出变量的西格玛点计算故障预测概率; (4)、根据故障预测概率判断动态过程将来是否超出正常运行区域;若超出正常运行区域,则进行故障预报警后返回执行步骤(1);否则直接返回执行步骤(1)。
2.根据权利要求1所述的基于模糊自适应预测的动态过程故障预报方法,其特征在于涉及的模糊自适应无迹卡尔曼预测方法采用非线性动态系统模型,非线性动态系统模型为:
X (k+1) = f (x (k), u (k)) +d (k) +w (k) (I)
y(k) = H(k)x(k)+v(k)(2) 其中k表示采样时刻,k为自然数,I ^ 1000, X表示η维的状态向量,η为自然数,I≤η≤10, u表示I维的测量输入向量,I为自然数,I≤I≤10, d表示η维的不可测故障项,f(.)表示η维非线性函数向量,对X连续可导,y表示m维的测量输出向量,m为自然数,I10,H表示mXn维的矩阵,w表示η维的过程噪声,服从均值为零协方差矩阵为Q的正态分布,Q表示ηΧη维的协方差矩阵,ν表示m维的测量噪声,服从均值为零协方差矩阵为R的正态分布,R表示mXm维的协方差矩阵,w与ν不相关;u(k) e Rlx1,x(k) e Rnxi, y(k) e Rmxi分别表示测量输入、状态和测量输出;d(k) e Rnxi表示不可测故障项;w(k) e Rnxi, v(k) e Rmxi分别表示过程噪声和测量噪声,二者不相关且分别服从均值为零、方差为Q(k)和R(k)的正态分布;当过程正常运行时,故障项d(k) =0;当过程出现故障时,故障项d(k)古O ;故障预报针对缓慢变化型故障采用的故障模型为:d(k) = gamma (k, k0) θ(3) 其中Θ表示2η维的故障参数向量,1?表示故障起始时间,gamma (k, k0)为nX2n维的时间函数矩阵;以2阶系统为例,故障模型为:
3.根据权利要求1所述的基于模糊自适应预测的动态过程故障预报方法,其特征在于涉及的模糊自适应无迹卡尔曼预测方法的工艺步骤包括单步预测、模糊自适应更新和未来多步预测三个步骤,其具体过程如下: (Al)、单步预测:对公式(I) (2)所示的非线性动态系统模型,构造增广状态向量xa(k-l) = [xT(k-l) wT(k-1) vT(k-l)]T,设xa(k-l)的第 i个西格玛点为Xi(I1-1),xa(k-l)的第i个西格玛点的权值为《i,Xi (k-1)为na维向量,O≤i≤2na, na = 2n+m, a表示增广,Xi (k-1)和Oi的计算公式为:
4.根据权利要求1所述的基于模糊自适应预测的动态过程故障预报方法,其特征在于涉及的步骤(1)确定过程状态时,在每个采样时刻,先计算故障参数的估计值#,然后确定状态X,其具体过程为: (1.1)、在第k个采样时刻,根据故障参数的动态模型公式(5),将故障参数作为状态,利用模糊自适应无迹卡尔曼预测方法的步骤(Al)和步骤(A2)计算故障参数的估计值0(k),或利用扩展卡尔曼滤波器估计; (1.2)、根据过程动态模型公式(I)和(2),利用模糊自适应无迹卡尔曼预测方法的步骤(Al)和步骤(A2)计算过程状态的估计值Hk) β
5.根据权利要求1所述的基于模糊自适应预测的动态过程故障预报方法,其特征在于涉及的步骤(2)中根据故障参数的标准差判断是否进行未来多步预测,其判断准则为:在第 k 个采样时亥Ij,
6.根据权利要求1所述的基于模糊自适应预测的动态过程故障预报方法,其特征在于涉及的步骤(3)中未来多步预测值和故障预测概率的计算方法为: (3.1)、在第kp个采样时刻,利用模糊自适应无迹卡尔曼预测方法的步骤(A3)计算未来P步的输出预测值
7.根据权利要求1所述的基于模糊自适应预测的动态过程故障预报方法,其特征在于涉及的步骤(4)中故障预报警判断准则为:在第kp个采样时刻,根据Pf(kp+j|kp)判断过程将来是否超出正常运行区域发生故障,若Pf(kp+q|kp) = 1且匕(1^^+8|10 = 1,则预报警采样时刻kb = kp,发出故障预报警,然后返回执行步骤(1);否则,直接返回执行步骤(1),继续跟踪过程变化趋势;其中q = 1,2,…,p-1, g = I, 2,…,p-q。
【文档编号】G06F19/00GK103761450SQ201410060800
【公开日】2014年4月30日 申请日期:2014年2月24日 优先权日:2014年2月24日
【发明者】曹玉苹, 田学民, 邓晓刚 申请人:中国石油大学(华东)