陸寧云，王　磊，姜　斌
南京航空航天大學自動化學院，江蘇南京

摘　　　要：針對多工況生產過程，提出基于時延符號有向圖（ＳＤＧ）和獨立成分分析（ＩＣＡ）的在線故障預測方法。時延符號有向圖描述了過程變量間信息傳遞的方向和時延大小；在有向圖模型基礎上，對過程數據進行信息同步校正；ＩＣＡ方法應用于校正后的過程數據，使得基于ＩＣＡ的性能監測方法具有良好的故障預測能力。在空分設備中的應用結果表明，該方法可在變工況下實現準確的氮塞故障預測。

關　鍵　詞：多工況過程；故障預測；符號有向圖；獨立成分分析

１　引　言
工業過程性能監測是提高生產過程安全、保證產品質量的重要手段，以主成分分析（ＰＣＡ）為代表的多元統計方法在性能監測技術中占有重要的地位［１］。但ＰＣＡ要求應用對象是一個平穩隨機過程，即要求生產過程處于單一的平穩工況。而在當前全球競爭日趨激烈、市場需求瞬息萬變的形勢下，現代工業過程逐漸柔性化，許多生產過程具有變工況生產的能力。在多工況／變工況情況下，各種變量測量值的低階統計量會呈現復雜的時變特性，基于ＰＣＡ及多種改進ＰＣＡ模型的性能監測與故障診斷方法會導致嚴重的故障誤報［２�玻叮荨Ｄ壳埃�針對多工況過程的性能監測已有了一些理論成果，但這些方法大都采用聚類或過程經驗來劃分工況，然后為每個平穩工況建立監測模型。這些方法在處理變工況過渡狀態時，或停止性能監測程序［２］，或采用智能手段實現工況的自動識別與軟劃分［３�玻矗荩�或迭代更新監測模型［５］，以期降低故障誤報率。即使從較新相關文獻看，對于多工況／變工況過程，若仍采用ＰＣＡ模型，難以形成簡單有效的性能監測方法。為了克服ＰＣＡ模型對生產工況的苛求，可用獨立成分分析（ＩＣＡ）模型替代ＰＣＡ模型。因為ＩＣＡ是基于信號高階統計特性的分析方法，無論過程數據是否滿足獨立正態分布，經ＩＣＡ分解出的各信號分量是互相獨立的，這些獨立分量能更本質地反映過程特征［７］。國內外學者對ＩＣＡ算法本身及ＩＣＡ的各種應用已展開深入研究。ＩＣＡ在過程監測與故障診斷領域的應用研究也初具規模［８�玻保玻荨�
本文關注性能監測領域的一個難點問題—故障預測，即在故障發生早期，通過微小異常信號的檢測和處理，計算過程中各種測量信號的變化趨勢，預測過程在未來時段可能發生故障的時間和類型，以便提供充裕的時間采取措施，防止故障的演變和惡化［１３］。針對化工過程的故障預測，本文作者已提出一種時延符號有向圖（ＴＤ�玻樱模牵┠Ｐ鸵约盎�于ＰＣＡ的故障預測方法［１４］，但受到ＰＣＡ模型本身的限制，該算法只能處理單一工況下生產過程的故障預測與診斷。針對變工況過程，尤其是變工況時的過渡過程，本文提出一種基于ＴＤ�玻樱模呛停桑茫恋墓收项A測方法，并將該方法在空分設備精餾系統中進行應用研究，結果表明該方法可在變工況下實現準確的故障預測。

登錄網站后可下載文件