一种在线故障根源识别的精馏塔故障诊断方法

本发明涉及一种化工故障诊断方法，特别涉及一种在线故障根源识别的精馏塔故障诊断方法。

利用化工过程的采样数据来监测运行状态已经成为化工“大数据”的研究热门，其优势在于充分的利用了先进测量仪表与计算机技术，同时避免了为复杂化工系统建立机理模型的难题。经过十几年的研究发展，数据驱动的化工过程监测已经出现了各式各样的故障检测技术。然而，在检测出故障后，实施数据驱动的故障诊断却几乎是停滞不前的。大体来说，数据驱动的故障诊断技术主要有两种思路：其一，利用变量贡献度分析识别故障根源；其二，在各类型故障数据充裕的情况下，按照模式识别策略进行故障类型匹配。利用变量贡献度分析可以不依赖于历史的故障数据，适用于绝大多数的应用场合。而故障分类依赖于历史故障类型及其相应的历史样本数据，因此适用范围窄。

精馏塔是石化行业应用非常广泛的物质分离设备，其主要作用是实现物质的气液分离。从保证生产的持续性和产品质量的稳定性而言，精馏塔实现物质的分离起到了衔接的关键性作用。因此，精馏塔的故障检测与诊断方法技术在整个化工智能制造系统中占有着重要的地位。如前所述，适用于精馏塔的故障工况检测方法已经得到了飞速发展，各种方法层出不穷。相比之下，适用于精馏塔的故障诊断技术却基本上停滞不前，尤其是在没有历史故障工况采样数据可供参考的前提下。

值得注意的是，虽然利用变量贡献图能解决在没有历史故障数据条件下的故障诊断问题，但是变量的贡献度分析主要依赖于前序故障检测指标。换句话说，变量的贡献度分析是针对故障检测指标的。那么，若是实施故障检测的指标无法从最佳层面区分正常工况数据与故障工况数据，相应的变量贡献度分析得到的结果就无法做到最好的故障变量识别。事实上，数据驱动的故障检测方法在建立故障检测模型时，只需利用正常工况采样数据，是在故障数据无监督情况下建立的模型。从这个角度上讲，实施故障检测的指标能在一定程度上区分正常工况与故障工况数据，但是无法做到最优区分。如此一来，后续实施故障诊断也同样无法保证最优的故障根源识别。

本发明所要解决的主要技术问题是：在实施故障根源识别时，摒弃使用前序故障检测指标实施变量贡献度分析，取而代之的是构造一个最优的区分向量，使得在线被检测出的故障数据尽可能的远离正常工况数据，则可实现变量贡献度的最佳分析。

本发明方法解决上述问题所采用的技术方案为：一种在线故障根源识别的精馏塔故障诊断方法，包括以下步骤：

步骤(1)：利用精馏塔设备所安装的测量仪表，在精馏塔正常运行状态时采集N个样本数据x1，x2，…，xN，其中第i个采样时刻的样本数据xi∈Rm×1由m个采样数据组成，具体包括：塔釜液位、塔釜压力，塔釜底部产品流量，进料流量，进料温度，顶部回流流量，冷凝器液位，和各塔板层的温度，Rm×1表示m×1维的实数向量，i∈{1，2，…，N}。

步骤(2)：根据如下所示公式对N个样本数据x1，x2，…，xN实施标准化处理，得到N个m×1维的数据向量

其中μ∈Rm×1与δ∈Rm×1分别表示N个样本数据x1，x2，…，xN的均值向量与标准差向量，符号./表示向量对应元素相除。

步骤(3)：组建矩阵后，再计算基矩阵C＝(XXT)-1/2，其中上标号T表示矩阵或向量的转置。

步骤(4)：在采样时刻t，通过故障检测技术将该采样时刻的样本数据xt∈Rm×1检测为故障工况数据后，对其实施标准化处理得到新数据向量

步骤(5)：根据公式计算矩阵G后，再求解G最大特征值所对应的特征向量p∈Rm×1。

值得指出的是，步骤(5)中求解特征值问题实际上是求解如下所示优化问题的最优解：

上式中，正常工况数据经投影变换向量w变换后，方差或长度为1。而目标函数旨在使在线采样的数据向量经同样的投影变换后，距离远点越远越好。换句话讲，就是尽可能的将在线数据与正常工况数据拉开，这样可以提取到最适合监测故障的特征成分。

上式②的优化求解可通过经典的拉格朗日乘子法完成，需要先引入中间量p＝(XXT)1/2w进行过渡，并且注意其中tr()表示求括号内矩阵的迹。

此外，求矩阵G最大特征值所对应的特征向量可通过数值解法实现，具体介绍如下。

步骤(5.1)：初始化特征向量p为任意m×1维的实数向量。

步骤(5.2)：根据公式p＝Gp更新特征向量p后，对其进行归一化处理p＝p/||p||，其中||p||表示计算特征向量p的长度。

步骤(5.3)：判断特征向量p是否收敛；若是，则得到G最大特征值所对应的特征向量p∈Rm×1；若否，则返回步骤(5.2)。

步骤(6)：根据公式w＝Cp计算区分向量w∈Rm×1后，再根据如下所示公式计算各个变量的贡献度Cj：

上式中，W＝wwT，ξj为m×m维单位矩阵的第j列向量，j＝1，2，…，m。

步骤(7)：根据公式对C1，C2，…，Cm分别进行转换，从而得到后，将满足条件的测量变量确定为故障的根源。

与本发明方法的优势与特点如下所示。

首先，本发明方法是根据不同的故障数据在线求解相对应的区分向量，该区分向量能最大化的区分正常工况数据与故障工况数据之间的差异。因此，本发明方法实施贡献度分析时，是不依赖固定的故障检测指标的，具备较强的灵活性。其次，本发明方法在区分向量的基础上，通过重构贡献度的计算方式得到各个变量的贡献度，在区分向量的基础上进一步的利用了重构贡献度分析的优势。最后，在具体的实施案例中，通过贡献度的差异对比，验证了本发明方法相对于传统方法的优势。

图1为本发明方法的实施流程示意图。

图2为精馏塔设备的组成结构示意图。

图3为本发明方法与传统贡献度分析方法在诊断精馏塔故障根源变量上的差异图。

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，本发明公开了一种在线故障根源识别的精馏塔故障诊断方法，下面结合一个具体应用实例来说明本发明方法的具体实施方式。

从图2中的精馏塔实景图可以看出，精馏塔设备不单只是单独的一个精馏设备，在底部还有配套的再沸器，顶部配套有冷凝器。从图2中的结构示意图中可以看出，该精馏塔设备测量仪表包括：流量仪表，温度仪表，液位仪表三类，对应测量的变量有17个，具体包括：塔釜液位、塔釜压力，塔釜底部产品流量，进料流量，进料温度，顶部回流流量，冷凝器冷却水流量，以及每层塔板的温度(总计有10层)。

步骤(1)：利用精馏塔设备所安装的测量仪表，在精馏塔正常运行状态时采集N＝1000个样本数据x1，x2，…，x1000。

步骤(2)：对1000个样本数据x1，x2，…，x1000实施标准化处理，对应得到1000个17×1维的数据向量

步骤(3)：组建矩阵后，再计算基矩阵C＝(XXT)-1/2。

上述三个步骤实施完成后，需保留均值向量μ∈Rm×1与标准差向量δ∈Rm×1，以及基矩阵C。当在线检测出故障工况数据后，即可激活如下所示步骤对精馏塔实施在线故障根源识别。

步骤(3)：在采样时刻t，通过故障检测技术将该采样时刻的样本数据xt∈Rm×1检测为故障工况数据后，对其实施标准化处理得到新数据向量

步骤(5)：根据公式计算矩阵G后，再求解G最大特征值所对应的特征向量p∈Rm×1，具体实施过程如前述步骤(5.1)至步骤(5.3)所示。

步骤(6)：根据公式w＝Cp计算区分向量w∈Rm×1后，再根据前述公式③计算各个变量的贡献度Cj。

步骤(7)：根据公式对C1，C2，…，Cm分别进行转换，从而得到后，将满足条件的测量变量确定为故障的根源。

传统基于贡献度分析的故障诊断方法依赖于一个不变的故障检测指标。以基于PCA的故障检测与诊断方法为例，在检测出精馏塔冷凝器冷却水温度故障后，实施贡献度分析，并将贡献度大小以条状图形式展示于图3的上图中。与此同时，使用相同的故障工况数据，利用本发明方法得到相应的变量贡献度，并将之绘制于图3的下图中。

从图3的差异对比中可以发现，本发明方法诊断识别出的故障根源变量数不仅少于传统的贡献度分析方法，而且还显著的指出两个较大贡献度的变量分别是：冷凝器的冷却水流量与精馏塔最上层塔板的温度。相比之下，传统贡献度分析无法清楚的指明这两个变量。因此，本发明方法通过在线故障根源识别，不依赖于故障检测指标，能更好的区分出故障根源变量。

上述实施案例只用来解释说明本发明的具体实施，而不是对本发明进行限制。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改，都落入本发明的保护范围。