数据驱动工业异常值检测与容错模型研究

钱 虹,张超凡,张凯文

(1. 上海电力大学，上海 200090; 2. 上海市电站自动化技术重点实验室，上海 200090)

0 引 言

随着工业自动化水平不断提高，对工业过程控制数据的准确性和可靠性的要求也越来越高。工业过程数据在采集、传输、储存过程中极易受工业噪声、传感器故障、I/O口接触不良、恶意网络假数据注入攻击等因素干扰使得过程数据异常，控制系统难以实现闭环稳定运行[1]。因此，实时对工业过程控制数据进行异常检测并对异常数据进行高精度恢复，实现系统可靠容错运行，对整个工业生产过程安全、高效的工作是十分必要的[2]。

在工业控制现场，若输入分布式集散控制系统(distributed control system，DCS)控制器的信号受外界因素干扰发生数据异常，并将异常数据代入后续的模型、控制量计算中，必将影响控制系统的性能，甚至导致整个控制系统崩溃。因此，实现对工业过程数据的异常检测并对异常数据进行高精度恢复，维持系统短时容错运行，是当下对整个工业系统安全可靠运行研究的热点之一[3]。传统硬件冗余法，虽然可以提高采集数据的可靠性和准确性，但其以高昂成本和系统复杂度的增加为代价。基于数据驱动的软测量方法，在充分利用历史数据的基础上，可以对目标变量实现较高精度的观测。对输入DCS中的测量数据和软测量结果进行残差分析，可实现对实际测量数据状态的检测[4]。在目前的研究与应用中，当检测到工业过程控制数据异常时，为维持系统短时容错运行，常以异常前数据尾值、样条插值、滑动平均值、软测量模型的预测值替代异常数据值进行异常数据恢复，但数据恢复精度往往不能达到令人满意的效果。……