基于数据驱动系统监测与故障诊断课件.ppt
《基于数据驱动系统监测与故障诊断课件.ppt》由会员分享,可在线阅读,更多相关《基于数据驱动系统监测与故障诊断课件.ppt(81页珍藏版)》请在三一办公上搜索。
1、3基于数据驱动系统监测与故障诊断,3基于数据驱动系统监测与故障诊断3基于数据驱动系统监测与故障诊断背景介绍与系统构成2,3基于数据驱动系统监测与故障诊断3基于数据驱动系统监测与故障,背景介绍与系统构成,2,背景介绍与系统构成2,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。,10/2/2022,3,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
2、,通,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),10/2/2022,4,复杂工业系统能 源原 料公用工程生产过,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,10/2/2022,5,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,ERPEnterprise Resource Planning,PC
3、SProcess Control System,MESManufacturing Execution System,企业资源计划,过程控制系统,制造执行系统,企业信息化系统三层结构,10/2/2022,6,ERPPCSMES企业资源计划过程控制系统制造执行系统企业信,监控系统定位,10/2/2022,7,监控系统定位ERPPCSMES企业资源计划过程控制系统制造执,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
4、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,10/2/2022,8,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,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
5、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,10/2/2022,9,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,监控系统组成结构,10/2/2022,10,监控系统组成结构10/2/202210,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,数据库、知识库维护,数据预处理,数据采集,传感器,特征提取,算法库,知识库,数据库,10/2/2022,11,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库,时间序列图,统计分析,控制图,标称概率图,监
6、控分析方法,10/2/2022,12,特征提取统计分析相关分析监控分析方法10/2/202212,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(Principal Component Analysis, PCA)、偏最小二乘(Partial Least Squares, 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,10/2/2022,13,主要数据驱动方法数字信号处理方法 10/2/202213,面向故障诊断的系统监控,14,面向故障诊断的系统监控14,基于
7、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。,10/2/2022,15,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,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、
8、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。,10/2/2022,16,一个应用实例 利用改进的小波包分频算法进行挖掘机提升系统故障,基于小波包的故障检测方法,频率Hz 频率Hz,时间/s频率Hz,10/2/2022,17,基于小波包的故障检测方法 频率Hz,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
9、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。,10/2/2022,18,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,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
10、析,其结果往往不太可靠。,10/2/2022,19,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,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。,10/2/2022,20,多元统计分析的应用背景早期的理论发展:10/2/202220,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(Principal Component Analysis, PCA)为主的多元统计技术开始
11、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。,10/2/2022,21,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(P,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,
12、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。,10/2/2022,22,PCA监测模型基本原理:10/2/202222,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。,10/2/2
13、022,23,PCA监测模型建模前的准备:过程数据的归一化10/2/202,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。,10/2/2022,24,PCA监测模型新的基底:坐标旋转10/2/202224,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
14、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(Loading Vectors)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(Cumulative Percent of Variance, CPV)。一般取CPV80%为标准。(3.3),10/2/2022,25,PCA监测模型空间分解与降维10/2/202225,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
15、.1 PCA空间降维示意图,10/2/2022,26,PCA监测模型空间分解与降维图3.1 PCA空间降维示意图1,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,Hotelling T2和SPE(Squared Prediction Error,或称为Q)统计量。,10/2/2022,27,PCA监测模型监控数据向量的分解10/2/202227,PCA监测模型,T 2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
16、 称为主元打分向量(Score Vectors), 为控制限。控制限的计算:由T2的抽样分布确定(3.6),10/2/2022,28,PCA监测模型T 2统计量之定义( 空间中):10/2/,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),10/2/2022,29,PCA监测模型SPE 统计量之定义( 空间中):10/2,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,10/2/2022,30,PCA监测模型SPE控制限的计算:10/2/202230,PCA监测模型,P
17、CA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。,10/2/2022,31,PCA监测模型PCA模型的一些主要性质:10/2/20223,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。,10/2/2022,32,PCA
18、监测模型2维主元图:10/2/202232,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),10/2/2022,33,PCA监测模型PCA监控模型需要满足的两个假设条件:各过程变,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
19、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。,10/2/2022,34,PCA监测模型PCA对过程的监测是通过T2和SPE检验来实现,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”(Empirical model)。这种由数据驱动方法建立的模型与精确的机理模型(Fi
20、rst principal model)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”。,10/2/2022,35,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,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
21、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。,10/2/2022,36,PCA监测模型PCA在PMD中的作用,与在传统多元统计分析中,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
22、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。,10/2/2022,37,PCA监测模型关于PCA统计模型之检测结果:10/2/202,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
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 数据 驱动 系统 监测 故障诊断 课件
链接地址:https://www.31ppt.com/p-1717573.html