基于PCA的氧化鋁蒸發系統故障檢測

胡志坤，　李哲彬，　陳志文

基于PCA的氧化鋁蒸發系統故障檢測

胡志坤1，李哲彬1，陳志文2

（1.中南大學物理與電子學院，長沙410083；2.杜伊斯堡-埃森大學自動化控制與復雜系統學院，杜伊斯堡81 BB 47057，德國）

針對氧化鋁蒸發系統結構復雜、物理模型難以搭建、大量數據得不到合理利用的問題，提出了基于主成分分析（PCA）的故障檢測方法和直觀的故障分離方法.通過對氧化鋁蒸發系統進行深入分析，對系統故障進行分類，并在仿真模型中建立了不同的故障類型模型.最后，基于對氧化鋁蒸發故障進行模擬得到的故障數據，給出了在氧化鋁蒸發過程故障檢測中的實例，驗證了PCA方法的可行性.

氧化鋁蒸發系統；主成分分析（PCA）；故障檢測；故障分離

氧化鋁蒸發工藝設備較多，如蒸發器、預熱器和閃蒸器等；且流程較長，有4效蒸發單元和3效閃蒸單元；在實際工況現場，氧化鋁蒸發過程的操作參數難以控制，且受到原液和蒸汽參數的影響，使得生產過程很難維持穩定，成分波動較大［1］.而且，一旦出現故障，由于參數太多，很難在短時間內找出故障，嚴重影響了工廠效益，甚至有可能發生意外事故.因此，蒸發系統故障診斷的意義重大.

隨著集散控制系統及智能儀表在氧化鋁蒸發過程中的廣泛應用，大量過程數據被記錄下來，以及計算機、數據庫技術的發展為分析大規模數據提供了可能性.此外，隨著工業系統的大型化和復雜化，對系統進行物理建模變得極為困難［2］，因此出現了基于數據驅動的故障診斷方法.徐德剛等［3］提出了基于網絡級聯故障的氧化鋁多效蒸發系統研究.唐明珠等［4］提出了基于代價敏感支持向量機（CS-SVM）的氧化鋁蒸發過程故障檢測.Chiang等［5］研究了工業過程的故障檢測與診斷，提出了主成分分析（PCA）、偏最小二乘法的過程監控方法.在此基礎上，肖枝洪等［6］提出一種主成分質量控制方法，對化工中甲烷氣體生產過程進行質量監控與診斷.文獻［7］中針對發酵過程非線性和時變特點，提出了一種具有實時性的動態多線性主元分析（MPCA）方法. Cherry等［8-9］將PCA方法應用到密度估計和鋼鐵鍛造故障診斷中，取得了非常好的效果.

雖然PCA方法在化工領域應用較多，但由于氧化鋁蒸發過程故障數據難以獲得，且對故障特性了解較少，還沒有文獻把這種算法應用到氧化鋁蒸發系統中.本文用建立的氧化鋁蒸發過程模型中采集的故障數據來進行檢測，從而可以獲得豐富的故障數據.針對氧化鋁蒸發過程的運行特點，對氧化鋁蒸發過程中的故障進行分類，用PCA檢測模型進行故障檢測.通過直觀的故障分離方法，能夠有效識別出故障變量，并與實際情況進行對比，驗證了PCA方法的可行性.

1　基于PCA的故障檢測與分離算法

PCA是數據驅動方法中的一種，是一種線性降維方法，將原來的數據空間分為兩個正交不相關的主元子空間和殘差子空間.通過主元、殘差空間分別構造檢測統計量，并檢測新的樣本與主元模型的偏離程度來判斷是否有故障發生.

1.1PCA檢測方法

1.1.1分解樣本數據矩陣

利用奇異值分解（SVD）來正交分解樣本數據矩陣X∈Rn×m，

式中：N為數據樣本個數；Λ∈Rm×m為特征矩陣；P為特征向量.

1.1.2主元個數的確定

采用累計貢獻法［10］來確定主元個數，累計方法貢獻率閾值的選取決定了主元的個數：

式中，CONTi是第i個主元的方差貢獻率，λi（i=1，2，…，m）為特征值.

1.1.3檢測統計量和閾值計算

建立PCA模型后，根據模型參數構造適合的樣本檢測統計量，運用假設檢驗理論，通過比較統計量的值和設定的閾值來進行故障檢測，該方法適用于在線監測.一般使用的統計指標是平方預測誤差（Squared Prediction Error，SPE）和Hotelling T2統計指標［11］.SPE統計指標表示測量值x對PCA模型的偏離度，T 2統計指標表示測量值x在變動趨勢和變化幅值上對模型的偏離度.

對新數據進行故障檢測時，通過判斷統計指標是否超過控制限，來判斷故障是否發生.當新數據的SPE或T2超過控制限，則判斷為故障發生，否則無故障發生.

1.2PCA故障分離方法

若通過統計指標判斷故障發生，則須分離出是哪些變量發生了故障.貢獻圖方法是PCA故障分離法中最常用的方法，通過對過程變量進行貢獻圖分析，找到超出SPE和T2統計指標控制限的變量.本文通過計算T2統計量貢獻率來分離故障變量.

計算T2統計量貢獻率的方法如下：

（1）計算新數據樣本的得分

式中，Xnew為歸一化后的新數據樣本.

（2）找出得分向量中滿足下列條件的所有r個元素

式中，t（i）為向量t的第i個元素.

（3）計算第j個變量xj對t（i）的故障貢獻值

式中，Pi，j為矩陣PT的第（i，j）個元素，若conti，j為負，則令其等于0.

（4）計算第j個變量的總貢獻

2　蒸發過程故障檢測實例

式中，Pi，j為矩陣PT的第（i，j）個元素.

若某個或某些變量的故障貢獻值明顯大于其他變量的故障貢獻值，則表明這些變量發生了故障.

本文以某廠4效氧化鋁蒸發系統為例，一般會有1效檢修，故由4效蒸發器加3級閃蒸構成一個逆流降膜蒸發系統，工業流程如圖1所示.原液從原液槽經泵分別送至3效和4效蒸發器，然后4效出口料液再經泵送至3效直接預熱器中加熱至接近3效的沸點溫度后進3效蒸發器，類似依次進入2效和1效蒸發器.經1效蒸發器出來的堿液靠壓差依次經1閃、2閃和3閃后經泵送至中間緩沖槽后去沉降槽.

蒸發過程中的故障一般分為3類：

（1）檢測器故障.過程本身是正常的，由于傳感器故障導致數值測量不正常，如發生漂移或失效等情況，這部分屬于傳感器和測量故障.

（2）執行器故障.如調節閥、真空泵等執行器發生失調，閥門泄露和管道泄露等.

（3）過程故障.如加熱管壁結垢，這類故障的發生一般比較緩慢，很難及時發現.

由于蒸發過程中原料和蒸汽流量波動較大，且流程很長，使得采集到的數據包含很大的噪聲，因此在故障檢測時，很容易引起誤報，或故障被噪聲淹沒而漏報.

圖1　氧化鋁蒸發系統流程圖Fig.1　Flow chart of the process of alumina evaporator system

氧化鋁蒸發系統中分布著大量的測量傳感器，用于測量壓力、溫度、流量等眾多過程變量，這些變量之間存在著大量的相關性，變量的相關性為過程故障的檢測提供了大量冗余信息，也為PCA方法應用于蒸發過程的故障檢測提供了必要理論基礎.

氧化鋁蒸發過程中考慮的過程變量涉及4效蒸發器、3預熱器和3效閃蒸器的39個主要過程變量，其中包括：①1～4效的物料入口和出口的流量、溫度，共10個變量；②1～4效的蒸汽入口和出口的流量、溫度、壓力，共12個變量；③1～3效預熱器的物料出口的流量、溫度，共6個變量；④1～3閃蒸器的物料出口的流量、溫度，共5個變量；⑤1～3閃蒸器的乏汽的溫度、壓力，共6個變量.

本文通過建立仿真模型來采集故障數據，總共采集1 500個數據，用前500個數據作為訓練樣本，后1 000個作為檢測樣本，變量如表1所示.

表1　蒸發系統變量表Tab.1　Varibles of the evaporator system

表1中，T_raw，F_raw分別為原料溫度和流量；T_Vi，F_Vi和P_Vi（i=1，2，3，4）為第i效蒸發器蒸汽溫度，流量和壓力；T_Ei和F_Ei（i=1，2，3，4）為第i效蒸發器物料溫度和流量；T_Fj和F_Fj（j=1，2，3）為第j效閃蒸器物料溫度和流量；T_FVj和P_FVj為第j效閃蒸器出口乏汽溫度和壓力.對這些數據進行標準化處理，建立此工況下的PCA模型.

2.1多傳感器故障

因蒸發過程的環境惡劣，工作溫度較高，傳感器易發生故障，由實際經驗可知，傳感器故障在所有發生故障中所占比例最大.當多個傳感器發生故障，且所測變量存在相關關系時，無法判斷是否為傳感器故障，只能看其余相關變量是否發生變化.對兩個傳感器故障進行仿真，1效蒸汽出口溫度正常范圍150～170°C，2效蒸汽出口溫度正常范圍為95～105°C，兩個變量存在相關關系.采集1效物料出口流量傳感器漂移50°C和2效物料出口流量傳感器漂移20°C的故障數據，監測仿真過程中的變量，變量變化如圖2所示.把采集的數據進行處理后，用PCA模型進行檢測，傳感器故障檢測及故障貢獻如圖3所示.

圖2　傳感器故障變量監測圖Fig.2　The monitor plot of sensor fault

圖3　傳感器故障檢測和故障貢獻圖Fig.3　The detection plot and the contribution plot of sensor fault

由圖2可知，變量17和24發生了突變，其余變量受噪聲影響波動，但未發生突變.由圖3可見，當傳感器發生較大漂移時，T 2和SPE統計量都可以很有效地檢測出故障，變量17和24被分離出來，且變量17的貢獻遠大于變量24.對比圖2可知，圖3故障檢測及分離結果與實際情況相符，說明此方法可檢測出多傳感器故障.

2.2泄露故障

在工藝流程中，蒸汽管道漏氣會影響到漏氣管道所在的蒸發器單元以及后面幾效蒸發器單元的蒸汽流量和溫度.2效蒸發器蒸汽流量（變量18）正常范圍為30.5～32.5 t／h.在模型正常運行一段時間后，設置2效蒸發器出口管道蒸汽泄漏20%，監測仿真過程中的變量，變量變化如圖4所示.把采集的數據進行處理后，用PCA模型進行檢測，管道泄漏檢測圖及故障貢獻如圖5所示.

由圖4可知，變量6、10、11、12和18發生了突變，其余變量波動較小.由圖5可知，閥門泄露故障可被及時檢測出來，變量6、10、11、12和18被分離出來，且變量18的貢獻最大.對比圖4可知，圖5故障檢測與分離結果與實際情況相符.因此，當分離出變量6、10、11、12和18，且變量18的貢獻最大時，可判斷是2效出口蒸汽發生泄漏.

圖4　管道泄漏故障變量監測圖Fig.4　The monitor plot of leak fault

圖5　泄露故障檢測及故障貢獻圖Fig.5　The detection plot and the contribution plot of leak fault

2.3結垢故障

在蒸發過程中，隨著溶液的濃縮，溶質由不飽和變為過飽和，發生相變而析出成為結垢，物料結垢容易在蒸發器加熱室內的加熱管壁處形成［12］，故需定時地對蒸發器加熱室進行清洗.結垢的主要成分是苛性堿、碳酸鈉、硫酸鈉和鋁硅酸鈉的混合物.在實際生產中，1效加熱溫度高，結疤速度加快.在模型中可以通過減少進料量和與蒸汽換熱的物料量并降低傳熱效率來模擬結垢故障.在恒熱流的情況下，污垢系數將隨時間線性增加［13］，在模型正常運行一段時間后設置加熱管進料量在1 h內呈線性漸變至原來的70%，傳熱率降為原來的70%，監測仿真過程中的變量見圖6.采集1效蒸發器結垢故障數據，用PCA模型進行檢測，檢測結果及故障貢獻見圖7.

圖6　結垢故障變量監測圖Fig.6　The detection plot and the contribution plot of scaling fault

圖7　結垢故障檢測圖及故障貢獻圖Fig.7　The detection plot and the contribution plot of scaling fault

由圖6可知，變量24、25、26、27、29、32和35緩慢變化，其余變量比較穩定.由圖7可知，在結垢的初期，故障不能夠被檢測出來，經過一段時間后被檢測出來，變量24、25、26、27、32和35被分離出來，且變量30的貢獻最大.對比圖6可知，圖7故障檢測與分離結果與實際情況相符.因此，當分離出變量24、25、26、27、29、32和35，且變量30的貢獻最大時，可以判斷是1效蒸發器結垢故障.

3　結　語

本文對氧化鋁蒸發系統進行了分析，通過對系統進行建模，從而可獲得豐富的故障數據，將PCA方法應用到系統中進行故障檢測.通過對故障進行分類檢測，用直觀的故障分離算法有效地分離出故障變量，從而推斷出故障類型，并于實際情況進行對比，驗證了PCA方法的可行性.

［1］鄭傳增，何小陽.氧化鋁蒸發過程的機理建模與仿真［J］.計算技術與自動化，2011，30（2）：26-29.

［2］牛征，劉吉臻，牛玉廣.基于主元分析的火電廠生產過程故障檢測研究［J］.華北電力大學學報：自然科學版，2005，32（4）：31-35.

［3］徐德剛，桂艷球，趙盼磊，等.基于網絡級聯故障的氧化鋁多效蒸發系統研究［C］／／第三十二屆中國控制會議論文集.西安：中國自動化學會控制理論專業委員會，2013.

［4］唐明珠，陽春華，桂衛華.基于CS-SVM的氧化鋁蒸發過程故障檢測［J］.控制工程，2011，18（4）：645-649.

［5］Chiang L H，Rusell E L，Braatz R D.Fault diagnosis in chemical processes using Fisher discriminant analysis，discriminant partial least squares，and principal component analysis［J］.Chemometrics and Intelligent Laboratory System，2000，50（2）：243-252.

［6］肖枝洪，冉小華.運用主成分分析法的過程控制和診斷［J］.重慶理工大學學報：自然科學版，2014，28 （1）：96-101.

［7］汪志鋒，袁景淇.動態MPCA在發酵過程監測與故障診斷中的應用［J］.生物工程學報，2006，22（3）：483-487.

［8］Cherry G A，Qin S J.Monitoring non-normal data with principal component analysis and adaptive density estimation［C］∥The 46th IEEE Conference on Decision and Control.New Orleans，LA：IEEE 2007.

［9］Liu Qiang，Qin S J，Chai Tianyou.Decentralized fault diagnosis of continuous annealing processes based on multilevel PCA［J］.Automation Science and Engineering，2013，10（3）：687-698.

［10］Wang J，Qin S J.A new subspace identification approach based on principle component analysis［J］. Journal of Process Control，2002，12（8）：841-855.

［11］Ding S，Zhang P，Ding E，et al.On the application of PCA technique to fault diagnosis［J］.Tsinghua Science and Technology，2010（2）：138-144.

［12］彭志宏，陳科云，李小斌，等.鋁酸鈉溶液蒸發過程中的結垢與防垢［J］.中南大學學報：自然科學版，2008，39（1）：69-74.

［13］劉中良，施明恒，戴鍋生.結晶垢結垢過程的傳熱傳質模型［J］.化工學報，1997，48（4）：401-407.

（編輯呂丹）

Application of PCABased Fault Detection in Alumina Evaporator System

HU Zhikun1，LI Zhebin1，CHEN Zhiwen2
（1.School of Physics and Electronics，Central South University，Changsha 410083，China；2.Institute for Automatic Control and Complex Systems，University of Duisburg-Essen，Bismarckstr Duisburg 81 BB 47057，Germany）

In view of the problem of complex structure and difficulty in building the physical model and the failure of rational utilization of large amount of data for the alumina evaporation system，a fault detection method and a fault isolation method based on principal component analysis（PCA）were proposed. Through analysing the alumina evaporation system thoroughly，fault types were classified and fault models were carried out.Finally，based on the simulated fault data obtained for alumina evaporation model，an example was presented in the fault detection of alumina evaporation process to verify the feasibility of PCA method.

alumina evaporator system；principal component analysis（PCA）；fault detection；fault isola-tion

TP 206

A

1671-7333（2015）03-0221-06

10.3969／j.issn.1671-7333.2015.03.003f

2015-01-15

胡志坤（1976-），男，教授，博士，主要研究方向為復雜系統狀態監測與故障診斷.E-mail：huzk＠csu.edu.cn