流程工业仪表故障快速检测方法

崔志飞

[摘 要]通过分析工业实际仪表信号发现，仪表信号的波动状态能很好地表征仪表状态，由此提出了一种基于信号方差分析的快速仪表故障检测算法，并在实际的工业数据上进行了仿真验证。仿真结果表明，这种故障检测方法能够对处于萌芽状态或发展中的早期故障做出判断，且检测迅速，物理意义明确，适用于大规模的流程工业过程。

[关键词]流程工业；仪表故障；检测方差分析

中图分类号：TH86 文献标识码：A 文章编号：1009-914X（2017）06-0020-01

引言

随着自动化水平的日益提高，现代化生产过程的控制系统规模不断扩大，复杂性迅速增加，从而引起维修费用增加、停机损失巨大或事故后果严重等问题。因此，传统的参数报警和联锁保护系统已不能满足现代化生产过程的需要，对于大型复杂系统，人们更为迫切地希望提高其整体可靠性与可维修性，而故障检测与诊断技术恰好为达到这一目标提供了一条有效的途径。当前的故障诊断与检测方法可分为三大类基于定量模型的方法、基于定性模型的方法和基于过程历史数据的方法。基于定量模型的方法过于依赖过程模型的准确程度，在复杂、严重非线性以及强耦合的流程工业中难以得到广泛应用；基于定性模型的方法也称为基于知識的方法，适合于有大量生产经验和工艺知识可以利用的场合，但通用性较差；基于过程历史数据的方法以采集的过程数据为基础，通过各种数据处理与分析方法挖掘出隐含信息，比较符合流程工业的特点，通用性强，是目前故障诊断方法的研究重点。但大多数基于过程数据的故障诊断分析算法非常复杂，只能监控少数关键变量，当需要检测仪表数量较大时，难以满足实时性的要求，所以在大规模工业过程上成功应用的例子并不多。本文通过对实际工业过程仪表信号的分析发现，仪表信号的波动情况能很好地表征仪表性能状态，由此提出了一种基于信号方差分析的快速仪表故障检测算法。

1 过程控制系统的故障来源与诊断过程

控制系统的故障是指系统状态出现的不期望的并且不能容许也不能自动恢复的偏差。上图为故障诊断系统的框架，显示了一个基本的过程控制系统中不同的故障来源。一般来说，故障来源分为过程故障、控制器故障、传感器和执行器故障三类。过程故障指对象特性的剧烈变化，大多由设备硬件故障引起，如压缩机或泵设备的联锁自保停机也可能是上况失常造成的，比如反应器进料流量的浓度偏离其正常或稳定工作点。控制器故障大多由计算机硬件或软件故障引起，可通过冗余设计等技术提高计算机稳定性和网络通讯质量来避免。传感器和执行器故障指仪表的固定误差、漂移或超限等。由于过程中很多仪表为自动控制提供反馈信号或执行调节动作，因此这类仪表的故障常引起状态变量偏离稳定工况，可能导致控制系统失效，甚至酿成事故，必须尽早发现并处理。据统计，80%的控制系统失效起因于传感器和执行器的故障，，是导致控制系统失效的主要原因。其他如偶然事件，过程噪声和测量噪声等不属于故障诊断的范畴。过程噪声引起真实模型与预测模型的误差测量噪声则使测量变量带有高频组分。

2 基于方差分析的故障检测方法

通过对大量的传感器检测仪表采集数据的分析发现，各类正常运行仪表的检测数据具有很鲜明的统计特性，以热电偶、热电阻为代表的温度信号，相对变化缓慢，波动幅度较小；以差压变送器为基础的流量、差压、液位信号，相对变化迅速，波动幅度较大；其它分析仪表，如氧含量分析仪等，也具有特殊的脉动规律。另一方面，对于同一仪表，当运行状态发生变化时，其统计特性也将发生显著的变化。上述现象给我们提供了一条很有启发性的研究思路，通过对所采集的数据分析，提取如均值、方差等统计量，再对这些统计量进行分析就可以获取仪表的状态信息。方差分析故障检测方法完全基于仪表实时信号的差分时间序列，主要由三个步骤组成：（1）对原始时间序列进行一阶差分处理，并去除奇异点；（2）对预处理后的数据进行方差估计，即提取仪表的波动状态信息；（3）根据由历史故障数据学习而来的方差统计量分类阀值，比较得到当前的仪表状态信息，实现相应的故障检测。1）数据预处理：实际工业数据具有很强的相关性，并不满足理想的正态分布。此外，既使是某些信号在稳态情况下的变化近似满足正态分布，由于实际工业过程具有很强的非线性与时变特性，其统计量也并不是一成不变的。还有，各种过程干扰与量测噪声的存在，使得统计量的获得并不简单，因此，需要对原始工业数据进行预处理，避免外部干扰对检测结果的影响。2）滑动窗口方差估算：预处理后的有效数据序列样本均值和样本标准，由于绝大多数仪表在处于某一稳态并无外部干扰时，其变化量均符合均值为零的正态分布，则得到变量在某一时刻的波动量标准差的估计值，样本标准差反映了序列的波动状态，而对于大量正常数据的统计分析表明：样本标准差大小直接反映了仪表的波动范围，也就是说，若标准差大小过大则表明序列方差变化剧烈仪表性能不稳定，若标准差大小过小则序列方差变化剧烈仪表性能表现迟缓。仪表可能存在引压管线堵塞、失灵等故障。因此， 标准差表征了变量在时刻的状态，可以作为故障诊断的特征量。3）确定方差区间：对于任一正常运行的仪表，其滑动窗内的标准差都处于一定的正常波动范围内。为此，本文引入方差区间的概念，对测量变量，设测量变量，设为其在正常波动的方差变化区间。当标准差为变化区间时，则认为该仪表在某一时刻运行正常，反之，则认为该仪表在该时刻运行异常，继而可进行进一步的故障类型诊断。不同仪表的方差波动范围，由于本身性质、工艺条件、外部环境等因素的影响而互不相同。本文通过学习过程历史正常数据来确定每个待诊断仪表的的正常方差区间的初值，设一组正常状态的历史数据及长度，及其时刻的标准差估计值，则其标准差时间序列可以确定，并确定正常方差区间初值，在实时诊断过程中，为克服运行过程，工艺条件大幅度变化对方差变化区间的影响，允许用户特别是经验丰富的仪表工程师对各仪表的诊断结果进行评估，并以此为标准调整正常方差区间，以适应工艺条件的变化。设定某一仪表的在当前时刻的状态，则状态判别函数可确定，为避免诊断结果不稳定，判断出当前时刻的仪表状态后，还需要对该仪表在这个采样时间内（如1小时）的状态，序列进行概率检验，计算其故障发生的概率。

3 结论

本文在对大量真实的工业数据进行统计分析的基础上发现仪表信号的波动情况直接反映了仪表的工作状态，可以作为故障诊断的特征量，由此提出了一种基于信号方差估计的快速故障诊断方法。该算法具有良好的工业应用背景，物理意义明确，计算简单，适用于大规模的流程工业过程。

参考文献

[1] 陈玉东，施颂椒，翁正新.动态系统的故障诊断方法综述[J].化工自动化及仪表，2001，28（3）：1-14.

[2] 郭明.基于数据驱动的流程工业性能监控与故障诊断研究[D].浙江大学，2004.