英语原文共 9 页，支付完成后下载完整资料

闭环控制下频繁变化条件下大规模非平稳过程动态分布式监测策略

赵春晖（IEEE高级会员），何孙

抽象 - 闭环控制下的大规模过程通常由于负载变化或其他原因而经受频繁变化的条件，导致典型的非平稳特性。对于闭环控制过程，操作条件的正常变化可能以与实际故障不同的方式扭曲静态和动态变化。本文提出了一种动态分布式监测策略，将动态变化与稳态分离，并同时监测它们，以区分闭环控制下大规模非平稳过程的正常运行条件和实际故障的变化。首先，将大规模非平稳过程变量分解为不同的块以挖掘本地信息。其次，通过探测每个区块中的协整分析解来分离静态和动态平衡关系。第三，构建并发监测模型以监督每个块的稳定变化及其动态对应物。最后，通过贝叶斯推理将局部监测结果结合起来获得全局结果，从而能够从全局和局部观点描述和监测静态和动态均衡关系。该方法的可行性和性能用一个真正的工业过程来说明，这是一个1000兆瓦的超超临界火电机组。

索引术语 - 闭环控制，动态分布式监控，频繁变化的条件，大规模的非平稳过程。

1. 介绍

为了确保生产率，能源效率，产品质量和工厂安全，重要的是尽早发现过程异常和设备故障，以识别和消除导致这些情况的因素。如今，工业过程的特点是几个大规模的变量。多变量统计过程监测（MSPM）方法[1] - [9]因其简单性而在过程监控领域变得非常重要。

在MSPM方法中，

主成分分析（PCA）[10]，[11]和偏最小二乘法（PLS）[12]，[13]主要用于过去三十

年。

考虑到过程的大规模，多块或分布式监测策略已引起人们的极大兴趣[14]，[15]。为了实现过程分解，Jiang等人提出了一种与故障相关的性能驱动变量选择方法[16]。李等人提出了一种用于分层建模和监测的线性评估和可变子集划分方法[17]。虽然前面描述的算法采用了大规模过程的分布式监控策略，但它们只描述了静态关系和静态过程变化。在实践中，由于计划的目的是满足不断变化的生产需求和过程中的一些干扰，因此动态变化在过程中是常见的。考虑到过程的动态特性，传统的多变量统计方法已经扩展到处理动态版本，如动态PCA（DPCA）[18]，[19]和动态PLS（DPLS）[20]。这些扩展方法挖掘时间分布，以考虑动态过程监控的时间相关性。但是，DPCA和DPLS无法有效地从过程数据中挖掘动态信息，因为它们的潜在变量是在统计独立的情况下提取的，并且不考虑在闭环中收集过程数据。现有的监控模型及其扩展的动态版本无法明确表示时态过程行为[21]。过程的稳态运行条件可以被抽象为稳定分布，而过程动态可以被视为时间分布，其携带不同的过程信息，类似于物理学中“位置”和“速度”的概念[21] 提出了一种同时监测方法，以区分操作条件偏差和过程动态异常与慢特征分析。在他们的研究中，设计了两个额外的指标来描述过程的动态特征，这可以揭示当操作条件偏离时过程动态是否被中断。根据上述讨论，如果过程偏离其预定的操作条件，则静态过程变化可能超出预定义的正常区域，标称操作变化，过程动态可能首先受到影响，然后由于闭环控制而恢复正常;在实际故障情况下，闭环控制可能无法使过程进入正常运行状态，导致异常的动态行为[22]，[23]。因此，静态和动态信息应该相互分离并同时监控，以揭示闭环控制的效果，特别是当受控过程经历频繁的操作点变化时。

此外，由于吞吐量和季节变化，设施老化和无法测量的干扰，复杂的工业过程显示出非平稳态[24]，如果时间序列的均值和方差随时间变化，则是非平稳性质，应特别注意具有非稳定性的闭环过程的动态变化的监测与建模。协整分析（CA）是研究非平稳变量之间关系的有效方法[26]，揭示了如果这些变量具有相同的积分顺序并且具有共同趋势，则它们的线性组合可能是静止的。CA已被用于故障检测和诊断[9]，[27]，[28]。在之前的研究[9]中，虽然考虑了非平稳特征，但由于集中监测结构，它可能不适用于大规模非平稳工业过程。他们中的大多数[27]，[28]仅挖掘稳定分布并监测长期均衡关系的静态变化，然而，这并未明确表示过程数据的时间信息。

本文提出了一种动态分布式监控策略，用于闭环控制下的大规模非平稳工业过程。首先，通过所提出的迭代变化分解算法将非平稳变量分解成不同的块。其次，在每个块中进行代表性CA建模以提取静态信息和它的动态对应物。第三，新的基于CA的分布式动态监测系统同时提出它是局部和全局水平的两种变化形式，它们被组合起来区分正常运行条件变化和闭环控制下大规模非平稳过程的实际故障。该方法的贡献总结如下。

1) 针对大规模非平稳过程提出了一种迭代块分解方法，该方法可以将非平稳变量自动分解为不同的块，从而可以对每个变量进行密切描述。

2）分布式监控策略可以描述和监控静态和动态平衡

本文其他安排如下:

首先，简要回顾稀疏协整分析（SCA）算法。然后，提出的算法用于监视大规模非平稳过程。第三，提出了该方法的应用结果，用于1000兆瓦超超临界（USC）火力发电厂的实际工业过程。结论在最后一节给出。

1. CA的概念

CA可以获得协整向量，这可以使非平稳时间序列的线性组合静止。然而，难以解释每个协整向量的物理意义，因为固定残差序列与所有非平稳变量相关。SCA [29]是传统计和准确性。可以使用SCA算法获得稀疏的协整向量，并且在每个协整向量中一些元素恰好为零。对于非平稳变量X（MN），其中N是非平稳变量的数量，M是样本的数量，稀疏协整的过程如下。

首先，VEC模型可以被定义为：，其中x表示样本，p表示VEC顺序。

通过将L1添加到协整向量矩阵B，可以将B中的一该过程描述如下。一些元素收缩为精确为零，并且可以获得稀疏的协整向量。 基于交叉验证方法选择调整参数和，其分别控制对协整向量和短期效应的惩罚。使用贝叶斯信息准则选择调整参数。可以通过根据迭代算法求解（4）中的目标函数来获得稀疏协整向量。SCA算法的细节可以在文献 [29]中找到。

1. 方法

在本节中，提出了基于以下认识的提出的方法。

1)大规模的工业过程可以分解成不同的块，以降低过程分析的复杂性，从而增强过程理解和监控性能。

2)尽管操作条件可能是变化的，但是一些变量可能共享长期均衡关系，该关系不仅由当前变化的操作条件保持，而且还可以推广到其他标称操作条件。

3)如果过程操作条件受到控制，过程动态将保持不变，因为一些共同信息由相关操作条件共享。

4)稳态和动态开关包含不同的过程信息，应该相互区分并进行分析以挖掘更丰富的过程信息。

这是CA第一次能够对闭环控制下大规模非平稳过程的分布式监测进行静态和动态均衡关系的单独描述。所提出的方法首先采用迭代非平稳可变块分解算法，其中可以在每个块中很好地捕获局部非平稳特性。然后，在每个块中，CA建模捕获时间动态和静态信息以监视两个状态。最后，贝叶斯推理方法用于组合本地监测结果。

1. 块分解

首先，所有非平稳过程变量都通过增强Dickey-Fuller（ADF）[32]测试来选择。这些不稳定。变量表示为X（MN），其中N是非平稳变量的数量，M是样本的数量。请注意，目的研究主要集中在大规模的非平稳工业过程，只考虑非平稳变量用于分布式过程监测。该
传统的分布式过程监控方法[16]，[17]可用于其他固定变量。




范数[31]。Omega;=（Omega;1，...，Omega;pminus;1）t。 然后，一个新的迭代块分解算法是基于第II节中描述的SCA算法进行签名，以将非平稳变量X分解为不同的块。该过程描述如下。

步骤（1）获得稀疏协整向量：当SCA算法应用于稀疏协整向量时，可以得到稀疏协整times;向量矩阵B（NK）= [beta;1，beta; 2，...，beta;k ]输入数据集X，其中K是稀疏协整向量的数量。

步骤（2）计算残差序列：可以根据稀疏协整向量εi,t =beta;t xi,t，通过非平稳变量的线性组合计算静态残差序列，

其中i = 1。 ..，K，t = 1，...，M。

步骤（3）评估每i个残余序列的平稳性：使用ADF测试，评估从步骤2）获得的每个残余序列的平稳性。ADF测试可以通过零假设来判断给定的时间序列是否是非平稳的。如果检验统计量大于临界值，该临界值是针对给定显着性水平制表的（例如，

这里为0.05），零假设被接受。然后，给定的时间序列是非平稳的。否则，如果测试统计量小于临界值，则对于给定的显着性水平拒绝原假设。然后，给定的时间序列是静止的。测试统计越小，时间序列越稳定。当对每个残余序列执行ADF测试时，可以获得测试统计量 ti （i = 1，...，K）。

步骤（4）块分解：按顺序排列测试统计量ti ，并保留对应于测试统计量的最小值的协整向量。对应于该稀疏协整向量中的非零元素的变量具有强的协整关系并且更相关。它们被分成相同的块，块数据集表示为X.euro;。块X.euro;中的这些变量具有最强的协整关系，这可以保证可以有效地提取局部非平稳特征。

步骤（5）更新数据集：将变量分解为块X.euro;后，将从原始

数据集中删除它们。

步骤（6）递归实现：迭代地实现步骤1）-5）直到所有非平稳变量被分成不同的块并且左输入数据集为空。也就是说，非平稳数据集X已经被分解为Z个块，其被表示为

[X1，X2，...，Xz ]。

1. 提取动态和静态信息

在上述可变块分解过程之后，非平稳变量被分解成不同的块。非平稳的协整关系。变量被封装在每个块中，并且只包含有限数量的过程变量，这增强了过程的解释。传统的CA用于

构建每个块中的协整模型：
其中gamma; 是从中获得的静止平衡误差。是协整向量矩阵，用于计算第一个块的静态平衡误差（euro;= 1,2，...，Z）。下标s表示它用于静态统计。然而，每个块中的上述平衡误差仅描述了长期静态关系和静态过程变化。时间静止信息也是反映过程动态关系的重要属性。动态变化包含更有价值的过程信息，这些信息可以反映过程的物理特征。关键是如何提取动态信息。正如之前的工作[9]所提到的，平衡残差序列的推导实际上源于典型相关分析的解决方案。因此，可以计算一个动态潜在特征[9]。

再次描述时间均衡误差：；

1. 本地监测系统

根据前一节中的CA模型，计算静态和动态信息的监控统计信息。首先，计算一个静态监测统计数据，平衡误差，监测静态平衡 ，每个区块中非平稳变量之间的关系： 从正常数据获得的平稳残差的协方差。很明显，静止均衡计算出来的。

1. 全球监测统计

在本地监控模型中，可以获得分布式本地监控结果。我们从上述推导以及实践经验中注意到，局部指数以互补的方式表现。因此，可以将这些本地索引组合成全局索引以简化故障检测任务。由于全球监测指数提供了对整个空间变化的完整测量，因此在实践中将其用于故障检测是方便的。在本文中，贝叶斯推理方法[16]用于组合每个块中的本地监视结果。对于静态监测统计量 ，正常和故障条件下的概率P。

建模和在线监测，所提出方法的细节列举如下：离线建模 1) 基于SCA进行块分解。 2) 提取每个块中的静态和动态信息。 3) 在每个块中构建分布式监视模型，以监视进程中的静态和动态变化，并为不同的监视统计信息定

资料编号：[3148]