現(xiàn)代化工過程通常都裝有大量的測量傳感器，如溫度、流量和壓力傳感器等。一些測量傳感器會用于閉環(huán)控制，而另外一些傳感器只用于過程監(jiān)測。在正常條件下，大多數(shù)傳感器得到的測量值是高度相關(guān)的。因此，這*為傳感器的故障診斷提供了寶貴的解析冗余。這些測量值的相關(guān)性主要源于支配過程運(yùn)行的物理與化學(xué)原理，如：質(zhì)量與能量平衡等。

傳感器異常檢測

單變量和多變量的統(tǒng)計(jì)過程控制技術(shù)可用于檢測如下的傳感器異常：

(1)異常測量值 這種情況主要是由于傳感器的故障引起的。

圖1異常測量值的示意圖，·為異常測量值

(2)多個傳感器偏離正常的相關(guān)條件

在正常條件下，過程的測量值通常表現(xiàn)出較強(qiáng)的相關(guān)性。這些測量相關(guān)性為我們提供了必要的冗余，可用于故障傳感器的檢測、辨識與重構(gòu)。這可以通過比較過程的測量值與基于標(biāo)稱模型的估計(jì)值之間的差別來實(shí)現(xiàn)。

可以采用統(tǒng)計(jì)方法來建立過程的標(biāo)稱模型，如；主元分析方法(principle component analysis—PCA)以及部分*小二乘(partial least squares—PLS)算法等。

(3)被監(jiān)測過程的瞬態(tài)變動

所不期望的測量瞬態(tài)變動，例如：振蕩、或者在批處理過程中的不尋常的趨向性，一般是由于非正常的操作條件引起的。

檢測這類異常通常采用的是動態(tài)統(tǒng)計(jì)模型，或卡爾曼濾波器。出于安全方面的原因，大多數(shù)化工過程的反應(yīng)都比較緩慢。這類瞬態(tài)變動可以看成是偽穩(wěn)態(tài)。因而可近似采用穩(wěn)態(tài)的相關(guān)分析方法來進(jìn)行處理。采用一些濾波技術(shù)也可以進(jìn)一步減弱瞬態(tài)變動的影響。

采用主元分析進(jìn)行過程監(jiān)測與故障檢測是近年來才發(fā)展起來的。由于數(shù)據(jù)的相關(guān)性，一些主要的分量*可以充分描述全部數(shù)據(jù)的方差?；谥髟治隹梢詤^(qū)分如下(4)和(5)兩類異常條件。

(4)傳感器相關(guān)故障

在這種情況下，PCA模型被破壞增加。殘余向量的歐氏范數(shù)將顯著增加。

(5)變動過大

用于描述操作變化的變量超過了正常的范圍。

傳感器故障

某一故障傳感器通常會破壞與其他傳感器的正常的相關(guān)性。當(dāng)異常條件被檢測到以后，此特性可用于故障傳感器的辨識。

只考慮四種類型的傳感器故障，即：偏差、徹底失效、漂移、精度下降。圖2．2給出了這四種故障的示意圖。

圖2    a)偏差b)徹底失效c)漂移d)精度下降

主元分析(PCA)以及部分*小二乘(PLS)算法都是多變量統(tǒng)計(jì)方法，可用于對含有噪聲的和高度相關(guān)的測量數(shù)據(jù)進(jìn)行分析。采用的是把高維信息投影到低維子空間，并保留主要過程信息的方法。

主元分析(PCA)的要求

一般地說，利用主元分析得到的主元和原始變量之間有如下基本關(guān)系：

(1)每個主元都是原始變量的線性組合。

(2)主元的數(shù)目小于原始變量的數(shù)目。

(3)主元保留了原始變量絕大多數(shù)信息。

(4)各主元之間互不相關(guān)。

算法的具體步驟

基于主元分析的故障檢測算法包括離線建模和實(shí)時檢測兩大部分，該算法的具體步驟如下所示。

1)采集過程正常情況下的的數(shù)據(jù)并進(jìn)行標(biāo)準(zhǔn)化處理；

2)求出標(biāo)準(zhǔn)化之后數(shù)據(jù)的協(xié)方差，計(jì)算其特征值與特征向量；

3)建立PCA模型，主元個數(shù)的求取可由累計(jì)方差貢獻(xiàn)率（85%以上）算出。然后計(jì)算出這些正常數(shù)據(jù)的統(tǒng)計(jì)量SPE的控制限；

4)采集新的樣本，使用當(dāng)前數(shù)據(jù)的均值和方差并對新數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

5)基于已經(jīng)建立的PCA模型，計(jì)算統(tǒng)計(jì)量SPE的值，并與3)中得出的控制限做比較，判斷故障是否發(fā)生。