基于数据驱动的系统监控与问题故障问题诊断..ppt

? Copyright by Zhihuan Song 背景介绍与系统构成 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。 复杂工业系统 企业信息化系统结构 企业信息化系统三层结构 监控系统定位 数据处理的需求 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。 基于数据驱动的系统监控 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。 监控系统组成结构 监控与故障诊断系统 监控分析方法 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 面向故障诊断的系统监控 基本情况 我们的研究工作始于1997年 先后受到4项国家自然科学基金项目（其中2项已完成，2项在研）、和1项国家863项目和1项浙江省科技计划项目的支持 主要研究领域： 小波多尺度分析 统计分析方法（PCA、PLS ） 支持向量机（SVM ）、Kernel学习等 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。 一个应用实例 基于小波包的故障检测方法 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。 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分析，其结果往往不太可靠。 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。 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。 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