数据驱动构造流程工业系统状态特征谱的方法

doi:10.13196/j.cims.2022.08.014

计算机集成制造系统 ›› 2022, Vol. 28 ›› Issue (8): 2430-2439.DOI: 10.13196/j.cims.2022.08.014

数据驱动构造流程工业系统状态特征谱的方法

陈倩¹,孙锴^1,2+

1.西安建筑科技大学机电工程学院
2.中国科学院微电子研究所

出版日期:2022-08-31 发布日期:2022-09-07
基金资助:
国家自然科学基金青年科学基金资助项目(51705393)。

Forming state feature spectrum of process industry based on its DCS data set

CHEN Qian¹,SUN Kai^1,2+

1.School of Mechanical and Electrical Engineering,Xi'an University of Architecture and Technology
2.Institute of Microelectronic of Chinese Academy of Science

Online:2022-08-31 Published:2022-09-07
Supported by:
Project supported by the National Natural Science Foundation,China (No.51705393).

摘要/Abstract

摘要： 流程工业系统是一种典型的分布式复杂机电系统,其分布式控制系统(DCS)实时记录着整个系统所有设备的运行信息。为了挖掘出蕴含在DCS监测数据集中的系统运行健康状态信息,全面掌握系统总体运行健康状态,快速准确地辨识和定位故障,提出一种名为状态特征谱的方法,将蕴含在海量高维数据中的系统运行健康状态信息以图像的形式展现在二维平面上。通过观察和分析状态特征谱上像素点的位置和颜色的分布,在企业层面全面掌握系统运行健康状态。分别以化工领域通用的田纳西仿真数据和某化工企业DCS数据集为实例,构造了对应的状态特征谱,验证了所提方法的先进性、创新性和有效性。

关键词: 流程工业, 分布式控制系统, 数据分析, 多变量时序数据, 状态特征谱

Abstract: Production system of process industry is a typical distributed complex electromechanical system,whose Distributed Control System (DCS) records operational information of all the equipment of the whole system in real time.For the purpose of mining system health status information contained with its DCS data set,fully grasping overall operating health status,quickly and accurately identifying and locating faults,a method named state feature spectrum was proposed,which displayed operating health status concealing inside DCS data set on a two-dimensional plane by the form of digital images.By observing and analyzing position and color distribution of pixels on the spectrum,the plant-wide operating health status could be fully comprehended.DCS data set of Tennessee-Eastman process and a real chemical plant were both used to form their state feature spectrum correspondingly verifying the advancement,innovation and effectiveness of the method.

Key words: process industry, distributed control system, data analysis, multivariable time series, state feature spectrum

中图分类号:

N945.17
TH86

陈倩, 孙锴. 数据驱动构造流程工业系统状态特征谱的方法[J]. 计算机集成制造系统, 2022, 28(8): 2430-2439.

CHEN Qian, SUN Kai. Forming state feature spectrum of process industry based on its DCS data set[J]. Computer Integrated Manufacturing System, 2022, 28(8): 2430-2439.

[1]	陈亮,吴梦婷. 智能车间质量数据集成及可视化分析平台设计[J]. 计算机集成制造系统, 2021, 27(6): 1641-1649.
[2]	魏双羽,白跃伟,Paul de Vrieze. 基于坐标测量机数据互操作机制的检测数据管理及应用[J]. 计算机集成制造系统, 2021, 27(4): 1032-1039.
[3]	鲁法明,王琳,包云霞,李昂,曾庆田. 融合波动率的时序数据符号聚合近似方法探究[J]. 计算机集成制造系统, 2021, 27(11): 3120-3130.
[4]	刘仁俊,孙兆辉,张莉,程光,明新国. 基于过程数据分析的彩色滤光片产线故障机台定位[J]. 计算机集成制造系统, 2020, 26(5期): 1151-1161.
[5]	汤珺雅,李莉. 基于多层数据分析框架的半导体加工周期预测[J]. 计算机集成制造系统, 2019, 25(第5): 1086-1092.
[6]	姚艳,曹健,田晓亮. 实时分析工作流调度方法[J]. 计算机集成制造系统, 2018, 24(第7): 1698-1705.
[7]	李奇倚,王磊. 基于决策树和模型树的作业工时估计方法[J]. 计算机集成制造系统, 2018, 24(第2): 309-320.
[8]	高智勇,郭城,高建民. 流程工业系统信息质量关键控制点的确定方法[J]. 计算机集成制造系统, 2016, 22(第5期): 1324-1329.
[9]	张忠平,房春珍. 基于累积全熵的子空间聚类离群点检测算法[J]. 计算机集成制造系统, 2015, 21(第8期): 2249-2256.
[10]	孙锴,高建民,高智勇,高旭,王昭. 基于故障图谱的企业级故障模式识别方法[J]. 计算机集成制造系统, 2015, 21(第2期): 519-527.
[11]	李作成,钱斌,胡蓉,向凤红,车国霖. 求解一类异构并行机调度问题的分布估计算法[J]. 计算机集成制造系统, 2013, 19(09): 2202-2212.
[12]	戴毅茹，王坚. 多耦合混杂流程工业过程可重构建模方法[J]. , 2011, 17(11): 0-0.
[13]	王万良，徐新黎，施莉娜，陈莉莉. 改进差分进化算法求解不确定流程车间调度问题[J]. , 2011, 17(03): 0-0.
[14]	韩中,，陈富民,，高建民,，高智勇,. 复杂流程系统安全的资源配置与优化[J]. , 2009, 15(09): 0-0.
[15]	姜洪权，高建民，陈富民+，高智勇. 基于网络特性的分布式复杂机电系统脆弱性分析[J]. , 2009, 15(04): 0-0.

数据驱动构造流程工业系统状态特征谱的方法

Forming state feature spectrum of process industry based on its DCS data set

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics