復(fù)雜工況過程統(tǒng)計(jì)監(jiān)測(cè)方法研究.pdf

1、保證過程安全和提高產(chǎn)品質(zhì)量是現(xiàn)代流程工業(yè)迫切需要解決的兩個(gè)問題，作為過程系統(tǒng)工程領(lǐng)域的關(guān)鍵技術(shù)之一，過程監(jiān)測(cè)技術(shù)是解決這兩個(gè)問題的有效途徑。由于集散控制系統(tǒng)(DCS)在流程工業(yè)中的廣泛應(yīng)用，極大地豐富了過程的數(shù)據(jù)信息，基于數(shù)據(jù)驅(qū)動(dòng)的過程監(jiān)測(cè)技術(shù)在過去十多年間得到了長(zhǎng)足的發(fā)展。其中，多變量統(tǒng)計(jì)過程監(jiān)測(cè)方法(MSPC)更是受到了學(xué)術(shù)界和工業(yè)界的普遍關(guān)注，已經(jīng)成為過程監(jiān)測(cè)領(lǐng)域的研究熱點(diǎn)之一。
　　 但是，傳統(tǒng)的MSPC方法對(duì)過程的限制

2、條件較多，如過程數(shù)據(jù)必須服從高斯分布、線性、穩(wěn)定單一工況等，本文在前人研究工作的基礎(chǔ)上，針對(duì)不同的復(fù)雜工況過程，提出多種有效的過程監(jiān)測(cè)方法，具體包括：
　　 (1)針對(duì)過程數(shù)據(jù)的復(fù)雜分布情況，提出一種基于獨(dú)立成分分析和主元分析(ICA—PCA)兩步信息提取策略的過程監(jiān)測(cè)方法，并引入支持向量數(shù)據(jù)描述(SVDD)和因子分析(FA)方法對(duì)提出的方法進(jìn)行了改進(jìn)。其中，提出的基于SVDD重構(gòu)的故障診斷方法解決了非高斯故障診斷的難點(diǎn)，是對(duì)重

3、構(gòu)類故障診斷方法的重要補(bǔ)充；提出的基于混合因子的故障識(shí)別方法也在很大程度上改善了故障識(shí)別的效果。
　　 (2)針對(duì)非線性工況過程，在基本的核主元分析(KPCA)方法的基礎(chǔ)上，引入統(tǒng)計(jì)局部技術(shù)(LA)對(duì)其進(jìn)行改進(jìn)，新的方法消除了對(duì)過程數(shù)據(jù)分布的限制條件。為了簡(jiǎn)化傳統(tǒng)非線性過程監(jiān)測(cè)算法建模和在線實(shí)施的復(fù)雜性，提出了一種基于線性子空間集成和Bayesian推理的過程監(jiān)測(cè)方法，不僅有效地提高了監(jiān)測(cè)效果，而且在很大程度上降低了算法的復(fù)雜度

4、。
　　 (3)針對(duì)過程的時(shí)變和多工況特性，并同時(shí)考慮到過程的復(fù)雜數(shù)據(jù)分布和非線性情況，提出了三種新的方法，印基于局部最小二乘回歸(LSSVR)模型的方法、基于非線性外部分析的魯棒方法以及基于二維線性子空間集成和Bayesian推理的方法．其中，基于局部模型的方法有效地改善了傳統(tǒng)遞歸方法的不足，增強(qiáng)了時(shí)變過程監(jiān)測(cè)的實(shí)時(shí)性；非線性外部分析魯棒算法不僅有效地推廣了外部分析方法在非線性過程中的應(yīng)用，而且增強(qiáng)了該算法抗擊噪聲和離群點(diǎn)的能

5、力；提出的二維監(jiān)測(cè)方法不僅在很大程度上減弱了過程監(jiān)測(cè)對(duì)知識(shí)和經(jīng)驗(yàn)的依賴性，而且取得了很好的效果。
　　 (4)同時(shí)考慮過程動(dòng)態(tài)性和非高斯性的監(jiān)測(cè)方法研究目前還比較少，本文在子空間模型辨識(shí)方法的基礎(chǔ)上，通過引入統(tǒng)計(jì)局部技術(shù)，提出一種基于SMILA的動(dòng)態(tài)非高斯過程監(jiān)測(cè)方法，相比已有的動(dòng)態(tài)非高斯過程監(jiān)測(cè)方法，新的方法獲得了更滿意的監(jiān)測(cè)性能．
　　 (5)相比連續(xù)生產(chǎn)過程，間歇生產(chǎn)過程要復(fù)雜的多，由于目前對(duì)于多工況復(fù)雜間歇過程監(jiān)