改進(jìn)主元分析方法及其在化工過程監(jiān)控中的應(yīng)用.pdf

1、化工過程生產(chǎn)條件較為復(fù)雜，其生產(chǎn)裝置往往處于高溫、高壓等極端條件下，因此，即便是一些微小的異常變動(dòng)也有可能引起整個(gè)系統(tǒng)的崩壞，從而導(dǎo)致生產(chǎn)中斷甚至裝置爆炸、毒氣泄漏等一系列后果?；み^程一旦出現(xiàn)故障，不僅會(huì)給工廠帶來嚴(yán)重經(jīng)濟(jì)損失，也會(huì)對(duì)周圍環(huán)境造成嚴(yán)重的破壞，更甚者會(huì)威脅現(xiàn)場工人的人身安全。倘若能提前檢測(cè)和診斷出過程故障，不但能有效夠縮減停產(chǎn)時(shí)間和降低生產(chǎn)成本，也能增強(qiáng)設(shè)備運(yùn)行的安全性，從而保證現(xiàn)場工人的人身安全。
　　主元分析(

2、Principal component analysis，簡稱PCA)是目前化工過程監(jiān)控系統(tǒng)中最為應(yīng)用廣泛的多元統(tǒng)計(jì)分析方法。主元分析方法的基本思想就是對(duì)原過程變量進(jìn)行線性變換，在最大程度地?cái)y帶原變量的有用信息的前提下，提取互不相關(guān)且維度很小的主元成分。但是傳統(tǒng)的主元分析方法是一種高斯的、靜態(tài)的、單階段的方法，無法處理工業(yè)過程中的非高斯、動(dòng)態(tài)、多階段等特性。因此，本文針對(duì)主元分析算法的如上缺點(diǎn)，主要做了如下的工作:
　　(1)針對(duì)

3、非高斯問題，提出了一種基于數(shù)據(jù)預(yù)求和的主元分析算法(Preliminary-summation-based PCA，簡稱PS-PCA)。PS-PCA通過數(shù)據(jù)預(yù)求和處理，將過程中的非高斯變量轉(zhuǎn)化為高斯變量，然后應(yīng)用主元分析進(jìn)行過程監(jiān)測(cè)。數(shù)據(jù)預(yù)求和的另外一個(gè)作用在于聚集故障信息，從而使得主元分析算法對(duì)過程異常更為敏感，實(shí)現(xiàn)更好的故障檢測(cè)率。但是預(yù)求和的操作同時(shí)也會(huì)放大離群點(diǎn)的影響，間接地增大了算法的誤報(bào)率，該現(xiàn)象也被稱為“求和污染”。針對(duì)“

4、求和污染”現(xiàn)象，本文在原算法的基礎(chǔ)上，提出多次驗(yàn)證的方式區(qū)分離群點(diǎn)和過程故障，同時(shí)消除離群點(diǎn)在預(yù)求和過程中的影響。該算法在消除正常數(shù)據(jù)中離群點(diǎn)影響的同時(shí)，還能利用故障數(shù)據(jù)中的離群點(diǎn)用于提高故障檢測(cè)率。
　　(2)針對(duì)動(dòng)態(tài)問題，設(shè)計(jì)了一種新的動(dòng)態(tài)過程數(shù)據(jù)結(jié)構(gòu)描述方法，同時(shí)提出了兩步PCA方法(two-step PCA，簡稱TS-PCA)。在這種新的動(dòng)態(tài)結(jié)構(gòu)中，數(shù)據(jù)被分成了兩部分，一部分是動(dòng)態(tài)成分，代表的是能用歷史數(shù)據(jù)預(yù)測(cè)的部分;另一

5、部分是新息成分，代表的是每個(gè)時(shí)刻新加入過程的驅(qū)動(dòng)力。每個(gè)時(shí)刻的新息成分都是獨(dú)立的，同時(shí)也存在著固定的期望和方差，所以能用傳統(tǒng)的主元分析方法對(duì)他們進(jìn)行監(jiān)測(cè)。因此，本文提出的改進(jìn)主元分析方法分為兩步:第一步，辨識(shí)出過程的動(dòng)態(tài)結(jié)構(gòu)，并利用該動(dòng)態(tài)結(jié)構(gòu)提取出過程中的新息成分;第二步，用主元分析方法監(jiān)測(cè)這些新息成分。此外，本文還提出了一種基于最小二乘估計(jì)法的動(dòng)態(tài)結(jié)構(gòu)辨識(shí)方法，該方法對(duì)非穩(wěn)態(tài)階段和穩(wěn)態(tài)階段數(shù)據(jù)均有效。因此，改進(jìn)的主元分析法不再局限于監(jiān)

6、測(cè)過程的穩(wěn)態(tài)階段，也能用于非穩(wěn)態(tài)階段數(shù)據(jù)的監(jiān)測(cè)。
　　(3)針對(duì)多階段問題，提出了基于隱半馬爾科夫模型(hidden semi-Markov model，簡稱HSMM)的主元分析法。考慮到HSMM非常適合于描述多階段過程:模型中的隱藏狀態(tài)適用于描述過程的各個(gè)操作階段，模型中的狀態(tài)轉(zhuǎn)移矩陣用于描述過程操作階段的切換順序。另外，HSMM還能夠描述各個(gè)階段的持續(xù)時(shí)間分布。因此，本文將HSMM和PCA進(jìn)行結(jié)合，利用HSMM進(jìn)行操作階段的劃