英语原文共 11 页
控制回路检测与故障诊断综述:
大数据时代下的控制器维护前景
摘要
由于自动控制系统在过程工业中的广泛应用, 控制器性能对工业工程的影响变得越来越大。因此，控制器维护是保证工业过程正常操作的关键。控制器维护的流程大概包括以下几个步骤:1）监测控制器性能并检测其性能下降情况；2）诊断控制系统故障的可能根本原因；3）采取具体措施解决相关问题。在本文中，对控制回路监测和诊断中的主流的问题进行了全面概述，并对存在的一些问题进行了分析和讨论。从大数据背景下综合丰富信息的角度, 提出了一些有可能解决工业应用问题的前瞻性思路和方法。
介绍
在典型的连续过程工业工厂中，控制回路的数量大约在500至5000个之间。据已有的调查研究，相对于广泛应用的控制器，只有一小部分的控制器处于健康工作状态。因此，监测并评价在闭环回路中控制器的运行状态就变得十分必要。然而，由于数量庞大的闭环控制需要消耗大量的人力资源，因此从实际操作角度来说实现控制器性能的在线评价与监测工作的需求是十分迫切的。为此, 控制器性能评估技术（CPA）的目标是通过分析日常闭环运行数据来检测性能下降, 近年来引起了学术界和业界的高度关注。
检测控制器性能下降是提高控制器性能的前提。其次关键的一步是诊断出造成问题可能的根本原因，这会为之后进一步的维护提供有用的信息。一般情况下, 控制器性能退化的可能原因可被列举为控制器问题、设备故障和外部干扰。对于控制器问题，需要有关控制器维护的智能准则。对于设备故障和外部干扰等问题，及时报告相应的错误是十分必要的, 因为可以根据这些错误采取具体措施来解决相关问题。从一个务实的立场来说，监测—诊断—维护—改进的工作顺序是需要被遵循的，具体的包括以下几步：
- 监测：监测控制回路是否出现性能变化
- 诊断：诊断控制系统出现问题的原因
- 维护：根据诊断结果采取相应方法进行修理维护
- 改进：评价控制其性能是否有改进
在本文中，将会对控制器性能监测及诊断领域中的基础知识及最新进展进行全面回顾。尽管已经有很多文章对此进行了详细的总结，但是本文进一步的对这些总结进行了完善，尤其是控制器的诊断，包括了控制器故障、外部干扰和阀门故障。此外，还讨论了一些阻碍控制器性能评估技术广泛应用的实际困难。因此，综合的专业知识和控制器性能评估技术的实际工业运用需求是十分迫切的。在文章最后，一些关于控制器性能监测和维护潜在的新方向和观点同样被陈现。本文的其余部分按如下方式组织，第二节回顾了控制器性能监测及诊断领域中的基础知识。第三节总结了控制器性能下降的主要原因和控制回路的诊断方法。第四节中调查了一些阻碍控制器性能评估广泛应用的实际困难。第五章则罗列出了一下有前景的方向和大数据背景下提高控制器性能评估技术性能的方法。最后一节则对一些要点进行了总结。
控制器性能监测及诊断领域中的基本知识研究
2.1.背景信息
控制闭环监测的主要目的是根据日常过程数据监测工业控制器性能下降。最常见的监测方法是通过下面这个准则进行比较:
性能基准值可以通过理论计算得到也可以通过控制器工作在稳定的黄金阶段获得、对于大多数性能指标，具体来说是控制器方差和误差积分，是小宇当前控制器性能的值，因此性能指数取值范围是[0,1]，当其值为零是则代表控制器性能极差。
2.2.最小方差控制（MVC）准则
著名的Harris指标被定义为：MVC下的输出方差与控制器实际输出方差的比值：
其中是传递函数交互矩阵的秩；是过程输出的协方差矩阵；是MVC下过程输出的协方差矩阵；是不可测干扰的协方差矩阵。为了计算应该将过程输出通过交互矩阵滤波。
2.3.基于历史数据的闭环监测
基于历史数据的基准是使用历史操作构建的控制系统运行期间的数据的理想状态。性能评估的一个直接方法是监控相关流程变量的方差/协方差。文章在输出方差等传统性能指标的基础上，提出了一种新的基于Hellinger距离的测量两个不同概率密度函数相似度的基准方法，提高了该方法在非线性过程中的适用性。另一种基于历史数据的方法是求助于预先指定的参考模型，该模型可以基于具有满意状态的历史控制器。Li提出了一种相对性能指标，定义为被监控控制器的平方误差的指数加权移动平均与参考模型的平方误差的比值。
在工业应用中，基于历史数据的基准测试的可用性在工业单回路(如流回路)和更复杂的MIMO流程(如电力锅炉)中都得到了验证。一个主要的优点是，与基于优化控制的基准相比，实现成本通常更低。然而，一个实际的问题是，定义性能基准的适当的历史数据必须预先指定，这可能需要一定的现场经验。为了解决这一问题，最近提出了一种将数据挖掘与控制器性能评估技术集成的新框架，自动选择合适的历史数据段来建立基准，这对控制器性能评估技术在实践中的应用具有重要意义。
3.控制回路的诊断方法研究
3.1.性能下降的可能原因
3.1.1.控制器问题
在过程工业中，相当一部分控制器是基于线性模型的。虽然过程非线性分布很广，但如果被控过程在有限的工作区域内运行，局部线性化仍然是合适的，但由于工作条件的变化，过程动力学变化是不可避免的，在这种情况下控制器可能达不到设计目标，导致性能下降。
不适当的调优参数是控制器问题的另一个原因。在闭环性能和闭环鲁棒性之间有一个平衡点。过于保守的调节会使控制器动作迟缓，导致控制器的抗扰能力和定点跟踪能力不理想。过紧的调优会使控制器的动作变得激进，降低闭环的鲁棒性，有时甚至会违反硬件限制或破坏闭环的稳定性。
3.1.2.设备故障
故障传感器难以合理反映受控过程的真实状态。基于不可靠的传感器信息的控制器容易在受控过程中引发不适当的动作，从而导致较差的性能。
在过程工业中，阀门是最常见的执行机构。实际控制阀的输入输出特性不是完全线性的，可能存在滞后、死区和死区等非线性特性。对于非正常阀门，非线性特性非常重要，因此在控制回路内可能会发生自维持振荡，从而进一步降低其闭环性能。
3.1.3.故障或扰动传递
扰动的传播主要是由于不同控制回路之间的直接或间接的连接，如循环和热集成。如果某些回路表现出异常行为，则故障将通过能量、物质或信息流传播到其他回路。对于控制器设计良好、设备正常的健康控制回路，二次传播所引起的外部干扰仍可能导致与期望运行状态产生不必要的偏差，从而降低闭环性能。
振荡是流程工业中最常见的扰动，这可能源于底层控制中的错误，如值粘附和控制器调优过紧。由于故障传播的结果，扰动回路将以与振荡源相似的频率振荡。
3.2.控制器故障诊断
3.2.1.控制器整定不当
在实际应用中，设定值或负载扰动变化下的响应数据比较常见，通过分析这些数据的一些关键模式可以发现不适当的调优。对于保守调优检测，根据负载扰动阶跃变化下输入增量与输出增量之间的相关性为正的时间段定义空闲索引。随后，将该方法与控制信号的面积指数相结合进行扩展，同时检测异常迟滞和振荡行为。在文献中，通过评估峰值前后负载扰动响应数据的区域，发现了控制器的不适当调优。
从负载扰动或设定值变化到过程输出的闭环脉冲系数有助于诊断不适当的调谐。当控制器运动缓慢时，脉冲响应需要很长时间才能消失，具有纯指数衰减或过阻尼行为的特征，而对于具有侵略性运动的控制器，脉冲响应则表现为欠阻尼特征。自相关函数(ACF)是另一种对常规监管数据具有更好适用性的有用工具。Howard和Cooper利用二阶传递函数拟合ACF系数，并据此计算阻尼因子，在此基础上可以检测到不适当的调谐。
3.2.2.检测模型不匹配
模型失配检测的一种常用方法是模型残差分析。如果存在模型失配，则残差序列不是白色的，且含有预测成分。采用模型残差与实际创新点的比较来检测模型失配，较大的散度表示模型失配。Huang等人提出了一种双模型发散方法来检测模型参数的突变。采用局部假设的方法，主要优点是可以检测到模型参数的微小变化。
相关分析是另一种检测模型失配的方法。Webber和Guapa提出了一种基于闭环相关的模型失配检测方法。对于MIMO情况，MVs之间通常是相互关联的，这将增加孤立有问题的单一SISO模型的难度。Badwe等人针对这一问题提出了一种基于偏相关分析的方法，并报道了该方法在煤油加氢精制装置中的成功工业应用。
4.CPA技术在实际应用中存在的问题
尽管控制性能评价技术在近些年取得了很大的进步，但是仍然存在困难阻碍着其工业应用。在这一节中，讨论了一些值得特别注意的实际实施问题。
4.1.理论基准与实际的差距
控制器的性能监测可以基于与基准的比较进行:如果与性能基准的偏差超过了预定义的阈值，则表明性能下降。然而，对于实际的控制器来说，理论基准可能是不现实和无法实现的，这主要是由于以下因素：
- 缺乏对实际控制器结构局限性的考虑。相当多的CPA算法都假设基准可以基于最优控制器而不受结构限制。然而，这种假设并不总是与结构有限的工业控制器一致，因此实际控制器的性能很难达到理论性能基准。
- 缺乏对鲁棒性和安全性的考虑。在实际应用中，鲁棒性和安全性是控制器设计中的重要问题。在鲁棒性和闭环性能之间有一个平衡，精心设计的控制器在考虑了鲁棒性后的性能可能仍然远远不是理想的性能基准。
因此，基准测试和实际控制器性能之间会产生巨大的差距，被监控控制器的状态很难得到合理的评估。由于实际的调优控制器仍然显示出与这些理论基准的较大偏差，因此很难确定低性能指标是否真的是由于控制不力造成的。
4.2.过高的费用
一个实际的问题是性能基准测试的配置成本。在实际应用中，需要一个阈值来定义从控制器性能到性能基准的可接受距离，以确定较差的控制。如果性能基准测试和实际控制器性能之间的差距过大，则必须仔细配置阈值，以有效区分糟糕的控制。由于不同的受控过程表现出不同的动态特性，不同循环的阈值之间可能存在显著差异，因此必须单独配置，考虑到过程设施中控制循环的数量较多，这将导致无法接受的实现成本。
另一个问题是建立成本。相当大一部分性能基准需要关于流程模型甚至干扰的先验流程信息。在工业应用中，这些信息并不总是预先知道的，因此需要进行系统识别实验。在实际操作中，识别实验是人工进行的，以保证安全生产，因此不可避免的会产生额外的人工成本。然而，应该强调的是，控制器设计的大部分精力都花在了过程建模上，尤其是在这些识别实验上，因此性能基准的建立成本可能过高，因为它通常不低于控制器设计的成本。
4.3.难以长期实现自动化操作
在工业应用中，控制器监测系统的实际实现只需要在初始配置后进行少量或常规的干预。相当一部分基准测试基于线性模型。但实际情况是，大多数工业过程在一定程度上呈现非线性或时变性质，过程动力学变化是由于原材料变化、工况开关和设备老化等因素的共同作用。因此，建立的基于线性模型的性能基准并不总是适用于存在过程动态变化的情况。为了保持有效性，需要额外的工作来维护已实现的基准，这可能包括重新进行识别实验，以获得新的操作条件下的流程模型和干扰模型，以及重新配置阈值以确定较差的控制。显然，从长远来看，这种人工干预不利于控制器监控的自动化操作。
5.大数据背景下控制回路的监测与维护的一些观点
5.1.工业应用CPA需要过程信息
从实践的角度看，想要实现CPA广泛应用于工业有以下两个关键点。第一，考虑到工业中数量庞大的控制环，CPA的配置成本一定要在可接受的范围内。第二，实现和维护CPA应该达到自动化水平，人为干预越少越好。然而这些要求在实际过程中不一定能够实现。为了克服这些困难，需要综合重要的过程信息，进一步建立过程知识库，为控制器的监测、诊断和维护提供支持。在此给出了一些比较重要的过程信息：
- 过程模型。过程模型是建立一个可靠的性能标准的首要前提，同时，这些信息要能够用于控制器的维护。
- 反映过程动态变化的相关信息。这些信息在检测模型不匹配问题和提供重新调整已实现的性能基准或控制器的指导方面非常有用。
- 设备正常运行模式。对于设备故障的检测，一种简洁实用的方法是将被监测设备的行为与正常运行模式进行比较。
- 流程变量之间的拓扑信息。这些信息在整个工厂范围的故障传播分析和故障根源诊断中发挥着重要的作用。
5.2. 自动从大数据中获取关键流程信息
随着计算机控制和信息系统的广泛应用，大量的数据可以被轻易获得。不仅数据量巨大，还有各种各样的数据源，如与经济决策相关的设备级过程测量数据、过程级质量测量数据和产品计划级调度数据。从这些海量的数据源中，可以提取出有价值的流程信息，为CPA在流程行业的大规模应用铺平了道路。
但是需要注意的是，这些有用的过程信息是隐藏在海量数据中的，称为数据丰富而信息贫乏，因此需要采用更有效的分析技术。最近讨论了一些传统分析方法的局限性，强调了应用新技术的潜力，如在机器学习领域开发新的方法，在大数据领域解决问题。在文献中，采用深度学习方法建立软测量模型。与传统方法相比，其主要优点是该方法能够更好地提取过程变量之间更为复杂的相关性。在CPA领域，最近提出了一种新的基于慢特征分析技术的监测方法，该方法在确定性能下降的根本原因方面具有较高的准确性。
5.3. 基于大数据的CPA方案的展望
5.3.1.一种基于关键过程信息的控制器监测、诊断和维护的实用工作流
建立一个包含控制器监控、诊断和维护的整体功能相辅相成的控制器维护系统是CPA的宏伟目标。从实际应用的角度来看，该系统应该易于实现，能够有效地检测工业控制器的性能恶化。然后触发系统中的诊断程序，隔离导致性能低下的闭环，然后
资料编号：[3529]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
