论文部分内容阅读
近年来,随着工业自动化的不断发展与科技水平的持续进步,现代大型工业往往伴随着规模庞大、过程复杂等特点。对于如何保障工业过程的安全运行、降低生产成本、保证产品质量,成为现代工业亟需解决的问题。在此背景之下,过程监测研究显得尤为重要。而伴随着计算机技术的发展,过程数据信息愈加丰富。在此基础之上,基于数据驱动的过程监测方法受到了广泛的关注,而多变量统计过程监测(Multivariate Statistical Process Monitoring,MSPM)作为其中的一类已成为过程监测领域的研究热点。尽管对于MSPM的研究已取得了一定的成果,但对于实际工业过程而言,还存在一些问题需要进一步解决。本文在现有研究成果的基础之上,针对传统故障检测方法所存在的一些问题,提出了一些新的过程监测方法,具体内容为:(1)针对现代工业过程数据的复杂性,测量变量之间往往存在着不同的自相关性,传统的过程监测方法并没有认识到这一点。本文在动态主成分分析(Dynamic Principal Component Analysis,DPCA)和独立成分分析(Independent Component Analysis,ICA)的基础之上,分别提出基于互信息(Mutual Information,MI)变量加权型动态PCA故障检测方法(MI-WDPCA)和基于互信息的变量加权型ICA故障检测方法(MI-WICA)。利用分散式建模的方法,对每个测量变量依据其相关性建立相应的PCA(ICA)模型,为方便判断是否有故障发生,再采用贝叶斯推理将多个PCA(ICA)模型的检测指标融合为一个最终的概率型指标。通过实验对比分析表明,该方法取得了比传统过程监测方法更好的监测效果。(2)对于现代复杂工业过程,变量之间通常是非线性相关的,而传统的PCA与ICA监测算法本质上仍属于线性建模方式。为了对非线性过程进行有效的监测,本文在核主成分分析(Kernel Principal Component Analysis,KPCA)的基础之上,提出一种基于多模型的KPCA故障检测方法(Multiple Mode Kernel Principle Component Analysis,MMKPCA)。该方法选取不同的核函数分别建立故障检测模型,对不同KPCA模型得到的监测统计量,再利用贝叶斯推理将其融合成一个最终的概率型指标,通过实验对比分析,该方法取得了比传统非线性过程监测方法更好的监测效果。最后,对本文工作总结的基础之上,对过程监测领域未来的工作进行了展望。