[发明专利]一种基于ν-gap metric的装置系统健康度在线监测方法

说明书

本发明公开了一种基于ν‑gap metric的装置系统健康度在线监测方法，包括以下步骤：传感器在线采集输入输出数据，采用即时学习辨识更新系统模型，将数据映射到算子空间；在算子空间度量在线更新模型与系统参考模型之间的距离，其中，度量方式选用ν‑gap metric；最终根据模型之间的距离是否超出设定阈值判断系统是否产生故障，阈值是根据离线辨识获得的参考模型的置信区间计算得出。该方法在线计算更新模型与参考模型的差异性，不同于其他数据度量方法，创新地提出了从模型层面度量系统动态特性的变化，有效地监测系统在所有运行阶段包括暂态过渡阶段和稳态运行阶段的健康度。本发明为装置系统的健康度动态监测提供了全新的思路，为其安全运行提供了有力保障。

技术领域

本发明属于过程监测领域，具体涉及一种基于ν-gap metric的装置系统健康度在线监测方法。

背景技术

近年来，随着我国现代化工、冶金、机械、物流等工业的发展和相关技术的进步，装置系统的投资和规模日益增大，复杂度越来越高，系统之间也存在耦合。对于这样的复杂过程，安全性和可靠性起着至关重要的作用，因此健康度监测与故障预警技术应运而生。由于过程数据获取便利，基于数据的方法应用较多，主要可以分为机器学习类和多元统计分析方法。该两种方法分别针对提取的数据特征和参数特征对装置系统状态进行监测，已有成功应用。

在基于多元统计分析方法的在线健康度监测研究方面，中国专利(申请号201811282478.2)提出了一种集成PCA-ICA的高炉过程监测及故障诊断方法，针对单一PCA或单一ICA的监测结果鲁棒性、准确性有限的情况，将二者的监测结果相融合来提高故障检测精度，提取的成分有利于后期故障溯源；中国专利(申请号202011031988.X)提出了基于密度峰值聚类和即时学习的多工况多阶段批次过程监测方法，使用密度峰值聚类对采集数据进行划分，对应不同工况，对各个工况用即时学习采集质量变量轨迹，最终用贝叶斯融合方法确定故障最终概率；Biao Huang在论文“Real-Time Assessment and Diagnosis ofProcess Operating Performance”中，对多工况系统稳定运行模态进行建模，获得了较好的监测效果；此外还有Chunhui Zhao在论文“Stationarity test and Bayesianmonitoring strategy for fault detection in nonlinear multimode processes”中采用改进的判别局部保持投影和平稳性检验的非线性多模态过程监测策略分析不同工况的信息。这些为后续更完整的在线装置系统监测方法的提出奠定了基础。

但上述示例仅对装置系统的稳态阶段进行健康度监测，在实际生产过程中，由于工况或设定点的变化，往往还会产生动态过渡阶段，即系统的运行是由暂态和稳态过程组成的，应对系统全周期的工作进行完整监测。另外，在数据和参数层面进行特征提取不能完全获得系统的动态信息，因此上述方法对暂态阶段的监测效果不佳。

发明内容

为了克服现有技术的不足，本发明提供了一种基于ν-gap metric的装置系统健康度在线监测方法，本发明中所述对象是所有的工业装置系统，可对其全周期的运行状态进行完整监测。

本发明具体采用的技术方案如下：

一种基于ν-gap metric的装置系统健康度在线监测方法，其包括如下步骤：

S1：根据传感器实时采集的装置系统输入输出数据，在线更新系统模型，将数据映射到算子空间；

S2：在算子空间计算在线更新的在线模型与离线辨识的参考模型之间的ν-gapmetric，表征两个模型动态特性的差异性；

S3：根据所述系统参考模型的置信区间计算得出ν-gap metric阈值，根据S2中得到的模型距离是否超出所述阈值判断装置系统是否产生故障，超出则表明装置系统产生故障，未超出则表明装置系统没有产生故障。