化工过程微小故障检测方法研究与应用

化工过程微小故障检测方法研究与应用

刘明

新疆众和股份有限公司   新疆   830000

【摘要】：本研究致力于发展一种基于集成学习传递熵的微小故障检测方法，以应对处理过程数据中的挑战。通过对传统多元统计分析方法的综合考察，结合了传递熵、滑动窗口、秩和比法、以及贝叶斯推理等关键技术，提出了一套创新的故障检测框架。采用传递熵作为信息传递的度量，通过滑动窗口采集传递熵数据集，计算监测统计量和控制限，使得系统更加敏感地捕捉数据分布的变化。为了优化传递熵数据集的选择，引入了秩和比法对评价指标进行排序，以确保选取高质量的数据集，提高监测结果的准确性。为验证所提出方法的有效性，进行了数值例子和连续搅拌反应釜过程的故障检测实验。与传统方法相比，本文所创方法在微小故障检测方面表现出显著的优势，展示了其在提高检测性能和减少误报率方面的潜在价值。

【关键词】：微小故障；主元分析；传递熵；秩和比法；集成学习

0 引言

在工业生产过程中，全性和可靠性被视为至关重要的原则。这两个因素直接影响着系统性能和整体运行效果。传统的故障检测方法，如主元分析（PCA）和偏最小二乘（Partial Least Squares），在检测显著故障方面表现出色，确保了系统的整体性提供了有效的手段。随着工业生产环境的不断复杂化和数据量的快速增加，针对易受噪声干扰或微小故障的监控需求逐渐凸显。在这一背景下，数据驱动技术逐渐崭露头角，其中多元统计过程监控（MSPM）技术成为一种备受关注的方法。MSPM技术能够更灵活地适应工业生产过程中的变化，并对微小故障特征进行更为敏感的监控。微小故障可能在不受到有效管理的情况下逐渐演变成显著的故障，并最终导致系统事故。这对于维护工业系统的可靠性具有重要意义[1]。因此，除了传统的PCA和偏最小二乘方法外，采用数据驱动的MSPM技术，有望更全面地覆盖工业生产过程中可能出现的各种故障，提高系统的整体性和可靠性。

1 微小故障检测研究现状

近年来，微小故障检测领域得到了学者们深入的研究，以解决微小故障难以检测的问题。各种创新性的方法和技术不断涌现，其中一些方法基于鲁棒灵敏度指标、小波分析和最优奇偶空间分析，提出了用于检测早期故障的最优残差生成和评估方法，通过对系统微小变化的敏感性进行精准度量，有效地捕捉了微小故障的信号。在数据处理方面，学者们采用了稀疏相异算法，通过隔离改变数据分布结构的初始变量，避免了对先验故障知识的依赖，从而提高了故障检测的普适性[2]。另一方面，递归变换成分统计分析方法应用正交变换成分的统计信息来检测故障，为微小故障检测提供了新的视角和手段。移动平均、指数加权移动平均以及传统的MSPM理论的结合，为微小故障检测策略的创新提供了可能性。这些方法不仅考虑了时序性的特征，还在统计学上进行了深入分析，为微小故障的及时发现提供了可行性。在降维方面，学者们通过结合PCA和神经网络的方法，解决了传统PCA降维后微小信息不充分展示的问题。这种综合运用传统降维技术和深度学习算法的方法，为微小故障检测提供了更为全面和精确的信息。为解决KICA降维后最大特征值未必取得最大信息熵贡献度的问题，提出了基于核熵独立成分分析（KEICA）的故障检测方法。对于KICA微小故障检测率低的问题，研究者们还引入了加权统计特征KICA（WSFKICA），在故障检测性能上表现出较好的结果。

在工业过程监控领域，研究者们通过将集成学习与贝叶斯推理法相融合，取得了显著的进展。Ge等学者提出了一种创新方法，通过建立多个基模型，并运用贝叶斯推理法将这些基模型的监测结果转化为故障概率值。最终，通过决策融合的方式，实现了在工业过程监控中理想的结果。这一方法的独特之处在于有效地结合了集成学习的优势和贝叶斯推理法的概率建模，为工业过程监测提供了一种可靠而高效的解决方案。顾炳斌等学者提出了一种基于多块信息提取的PCA故障检测算法。该算法针对传统过程监控中可能忽略原始数据中大量隐藏信息的问题，通过多块信息提取的方式，更全面地考虑了数据中的关键信息，从而提高了故障检测的准确性和鲁棒性。这种方法为工业过程监控系统的设计和优化提供了一种新的思路。徐莹等学者则致力于解决工业过程数据的多模态和非高斯特性等问题。他们提出了一种基于独立元混合模型的多工况过程故障诊断方法，通过有效处理多模态数据和非高斯特性，提高了故障诊断的准确性和鲁棒性。这对于复杂工业系统而言具有实际应用的重要意义[3]。

2 集成学习微小故障检测方法

本文提出了一种创新性的微小故障检测方法，该方法通过测量系统中各个变量之间的信息传递程度，利用滑动窗口技术获取传递熵数据集，并构建监测统计量，为实时故障检测奠定了基础。其中，传递熵作为信息传递的度量工具，能够更敏锐地反映变量之间的关联，从而更准确地捕捉微小故障的迹象。在方法的实施过程中，通过采用秩和比法对多个传递熵监测统计结果进行排序和分档，有效地筛选出具有良好监测性能的传递熵对应的监测统计量。这种策略不仅提高了故障检测的准确性，还为后续的分析和处理提供了有力的支持。为了解决单一子模型监控性能不稳定的问题，本文引入了集成学习与贝叶斯推理相结合的算法。通过集成学习，将多个子模型的监测结果进行综合，提高了整体的稳定性和可靠性。同时，结合贝叶斯推理，使得系统能够根据实时数据调整模型参数，更好地适应动态的工作环境，实现对过程故障的实时检测和响应。

2微小故障检测流程

故障检测方法涵盖了滑动均值滤波处理、传递熵计算、标准化处理、特征值分析、监测统计量计算、Kernel Density Estimation等。整个流程分为离线训练和在线监控两个阶段，具体如图1所示。

图1 微小故障监测流程图

在离线训练阶段，首先通过对训练数据进行滑动均值滤波处理，得到数据集X。然后，利用传递熵计算变量之间的信息传递关系，得到传递熵测量矩阵TEn,i。为了消除不同变量之间的量纲影响，对传递熵测量矩阵进行标准化处理。接着，通过计算特征值Λi对正常工况下的监测统计量Pi和Si进行分析，同时利用Kernel Density Estimation计算控制限。这一阶段的目标是建立一个正常工况下的基准。

在线监控阶段则涉及对测试数据进行滑动均值滤波处理，得到Xtest。然后，通过计算传递熵测量矩阵TEt,i并进行标准化处理，利用综合检测指标ϕj对系统状态进行评估。通过阈值，对ϕj进行分档排序，得到RSRup和RSRmid对应的传递熵矩阵的监测统计量。这些统计量通过集成学习方法进行融合，形成最终的统计量，与事先设定的控制限进行比较。若超出阈值，则系统可能存在故障。

3 结果分析

在本研究中，我们对多种监控方法的性能进行了评估，主要涉及到KPCA（Kernel Principal Component Analysis）、T2统计量和SPE统计量、KICA（Kernel Independent Component Analysis）、以及WSLKPCA和WSFKICA方法等。此外，还引入了ETEn方法，并通过监控效果、故障检测率、采样时刻以及监控样本点等指标来综合评价它们在故障检测方面的表现，结果如下所示。

（1）KPCA在故障检测方面表现不理想，其T2统计量的检测率仅为54.0%，而SPE统计量甚至无法有效地检测到故障。相比之下，KICA的SPE统计量表现较好，达到了81.8%，但I2统计量几乎无法检测到故障。

（2）比较WSLKPCA和WSFKICA发现，它们的故障检测率略高于KPCA和KICA。具体而言，WSLKPCA的检测率分别为30.9%和97.0%，而WSFKICA的检测率分别为68.9%和82.9%。这表明在使用核方法进行监控时，相较于传统的KPCA和KICA方法，WSLKPCA和WSFKICA方法在一定程度上提高了故障检测的性能。

（3）ETEn方法在监控效果上的明显优越性。该方法不仅在检测时间上实现了提前，而且在两个统计量的检测率方面分别达到了93.0%和99.0%。相较于其他方法，ETEn方法在故障检测方面展现出更为理想的监控效果。其高检测率和提前检测时间的优势使其成为一种值得关注和采用的监控方法。

（a）KPCA

（b）KICA

（c）WSLKPCA

（d）WSFKICA

（e）ETEn

图3 分析结果对比

4 结论

本文通过引入基于ETEn的早期故障检测方法，成功解决了微小故障难以检测的问题。在这一方法中，信息流被视为系统异常表征的度量，从而显著增强了对初期变化的敏感性。为了更有效地处理故障检测，研究采用了RSR进行分档筛选，并结合贝叶斯推理策略，将每个传递熵子模型的监测结果相结合。通过数值例子和对CSTR系统的仿真结果进行验证，本文的研究方法在故障检测方面表现出更好的性能。仿真结果证明，所提出的方法在提高系统可靠性和性能方面具有显著的优势。

综上所述，本文的贡献在于通过引入ETEn技术，以信息流为基础的系统异常表征，以及结合RSR和贝叶斯推理策略的子模型监测方法，成功地解决了微小故障早期检测的难题。这一研究为提高系统可靠性和性能提供了有力的支持，并在实际应用中具有广泛的潜力。

参考文献

[1]樊梦奇,孙四通.化工过程微小故障检测方法研究与应用[J].化学工程,2023,51(07):83-88+94.

[2]王光,单发顺,钱禹丞等.基于集成学习传递熵的化工过程微小故障检测方法[J].化工学报,2023,74(07):2967-2978.

[3]周乐,宋执环,侯北平等.一种鲁棒半监督建模方法及其在化工过程故障检测中的应用[J].化工学报,2017,68(03):1109-1115.