论文部分内容阅读
流程工业系统生产规模的扩大以及复杂程度的提高，使得过程监控在实际应用中的作用日益凸显。基于数据驱动的过程监控方法通过分析运行过程中的采样数据提取特征信息实现工业过程的故障检测及诊断，成为一种解决精确机理建模存在困难的工业过程进行工况监控问题的热点研究领域。高效、稳定、安全的运行保障能力己成为大型化复杂流程工业过程自动控制面临的挑战课题，如何做到产品关键质量指标监控，精确监测系统中能导致产品性能劣化的故障受到了研究者们的广泛关注。当前，针对质量相关的过程监控问题已有不少解决办法，大多为以偏最小二乘(Partial Least Squares，PLS)算法为基础进行的研究和应用工作，这类算法通常采用全部过程变量建立与质量相关的故障监测模型。值得关注的是在工业系统中，往往并非每个传感器测得的过程变量都与质量变量相关，若将与质量变量关联程度较低的过程变量被引入监测模型，往往会带来额外的模型扰动与噪声，不利于质量相关故障检测与诊断工作的效果。 本文针对PLS类算法在解决质量相关的过程监测问题时存在的不足，深入研究如何恰当描述并建立质量变量和过程变量之间的监督关系，提出了新的解决策略，改进了针对质量相关故障的监测性能。主要研究内容如下: (1)针对建模时PLS算法难以准确描述质量变量与过程变量之间可能存在非线性监督关系等问题，利用互信息评估两个随机变量间相关程度时不局限于单纯线性关系的优势，结合分布式思想，将主元分析算法加以改进，提出改进的互信息主元分析算法(Improved Mutual Information Principal Component Analysis，IMI-PCA)，该方法以互信息为度量，为每个质量变量选取包含其信息量最大的过程变量组合，在质量变量的监督下分别建立故障检测模型，提高了质量相关故障的检测性能，降低了质量无关故障的报警率。 (2)针对进一步考虑时间序列相关性问题的情况，提出改进的互信息动态主元分析算法(Improved Mutual Information Principal Component Analysis,IMI-DPCA)。该方法充分考虑系统采样数据在时间上的自相关性以及过程变量与质量变量之间的互相关性对故障检测结果的影响，通过在质量变量的监督下选取过程变量并以自相关程度为依据来增广过程变量，改善了质量相关的故障检测性能，取得了良好效果。 (3)针对进一步降低IMI-PCA算法计算复杂性和效率的问题，提出加权互信息主元分析方法(Weighted Mutual Information Principal Component Analysis，WMI-PCA)。通过构造加权互信息，将WMI-PCA算法中的多个子块融合，获得对整体质量变量信息量解释程度最大的过程变量组合，减少了模型的计算量，简化了模型的复杂度。 (4)针对贡献度图方法在判断失控主元时采用平均值处理不能消除其初始值的影响，以及在判断失控过程变量时不能有效评估其与失控主元得分间非线性相关程度的问题，提出互信息贡献度图法(Mutual Information Contribution Graph，MI-CONT)。该方法构造度量主元得分和过程变量变化率的指标，以互信息为权重计算失控过程变量的贡献度，提高了失控过程变量的溯源诊断效果。 本文相关研究工作通过采用数值测试用例以及田纳西伊斯曼(Tennessee Eastman，TE)过程仿真平台验证了相关算法的有效性。