基于局部-全局結(jié)構(gòu)分析的統(tǒng)計(jì)過(guò)程監(jiān)測(cè)方法研究.pdf

1、過(guò)程監(jiān)測(cè)技術(shù)是工業(yè)過(guò)程綜合自動(dòng)化技術(shù)的重要組成部分。一方面它可以減少過(guò)程波動(dòng)，提高生產(chǎn)質(zhì)量，避免惡性事故的發(fā)生，另一方面也為后續(xù)的控制、決策、調(diào)度等高層次自動(dòng)化技術(shù)奠定了基礎(chǔ)。其中，多變量統(tǒng)計(jì)過(guò)程監(jiān)測(cè)方法(MSPC)由于不依賴于過(guò)程模型，在工業(yè)過(guò)程日益復(fù)雜的今天受到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。
　　 以主元分析(PCA)為代表的傳統(tǒng)多變量統(tǒng)計(jì)過(guò)程監(jiān)測(cè)方法，主要針對(duì)的是采樣數(shù)據(jù)變量空間和樣本空間里的全局特征，沒(méi)有考慮其局部特征，因

2、此造成了信息的丟失。為了進(jìn)一步提高M(jìn)SPC方法的性能，本文從變量空間和樣本空間這兩個(gè)角度出發(fā)，提出了局部-全局結(jié)構(gòu)分析的概念、框架及相關(guān)算法，具體包括：
　　 (1)提出了變量空間上的局部-全局結(jié)構(gòu)分析框架。首先闡述了在變量空間上進(jìn)行局部結(jié)構(gòu)分析的優(yōu)勢(shì)，提出了一種基于獨(dú)立元貢獻(xiàn)度的子空間劃分及故障檢測(cè)方法，通過(guò)劃分原始變量空間，建立子空間上的檢測(cè)模型，有效地提高了對(duì)故障的檢測(cè)能力。在此基礎(chǔ)上，將其推廣至集成學(xué)習(xí)的范疇，提出了一種

3、基于集成學(xué)習(xí)算法的局部-全局結(jié)構(gòu)分析框架與原理，提出了新的集成學(xué)習(xí)算法ICSM，并針對(duì)故障檢測(cè)的特點(diǎn)，提出了新的集成策略，構(gòu)造了集成監(jiān)測(cè)統(tǒng)計(jì)量，獲得了對(duì)變量空間局部和全局結(jié)構(gòu)特征的描述。仿真驗(yàn)證了該方法具有更滿意的故障檢測(cè)效果。
　　 (2)將樣本空間局部結(jié)構(gòu)保持算法應(yīng)用于動(dòng)態(tài)過(guò)程故障檢測(cè)，提出了一種動(dòng)態(tài)局部保持投影(DLPP)新算法。相比PCA算法，局部保持投影(LPP)從樣本空間的局部結(jié)構(gòu)出發(fā)，降維后可有效地保持?jǐn)?shù)據(jù)中潛在的

4、流形結(jié)構(gòu)，具有更好的特征提取能力。因此將LPP和動(dòng)態(tài)矩陣結(jié)合構(gòu)造的動(dòng)態(tài)LPP新算法比現(xiàn)有的動(dòng)態(tài)PCA具有更好的監(jiān)測(cè)效果。
　　 (3)提出了樣本空間上的局部-全局結(jié)構(gòu)分析框架。數(shù)據(jù)的樣本空間里包含了豐富的結(jié)構(gòu)信息，而對(duì)這些結(jié)構(gòu)信息的表示和保持，是影響過(guò)程監(jiān)測(cè)算法性能的重要因素。PCA算法在提取樣本空間結(jié)構(gòu)特征時(shí)只考慮了整體結(jié)構(gòu)，而流形學(xué)習(xí)算法(如LPP)主要關(guān)注的是樣本空間的局部結(jié)構(gòu)信息。在綜合考慮了PCA和LPP算法的優(yōu)點(diǎn)和不

5、足后，提出了樣本空間局部-全局分析框架，并在該框架下把PCA和LPP算法統(tǒng)一了起來(lái)。據(jù)此構(gòu)建了新的優(yōu)化目標(biāo)，給出了平衡局部/全局結(jié)構(gòu)的策略及計(jì)算方法，使投影得到的低維空間不僅和原始數(shù)據(jù)空間有相似的局部結(jié)構(gòu)，而且有相似的整體結(jié)構(gòu)，因而包含了更全面的特征信息。在此基礎(chǔ)上，通過(guò)Bayesian推理方法構(gòu)建了故障識(shí)別策略。Tennessee Eastman(TE)模型上的仿真研究，表明了新框架下的算法具有優(yōu)于PCA和LPP的性能。
　　

6、 (4)針對(duì)局部-全局結(jié)構(gòu)分析框架下可能遇到的噪聲以及潛隱變量選擇問(wèn)題，以PCA為例，提出一種基于貝葉斯主元分析(BPCA)的故障檢測(cè)方法。通過(guò)一個(gè)超參數(shù)對(duì)投影矩陣各個(gè)方向上的分布進(jìn)行先驗(yàn)假設(shè)，再使用期望極大方法估計(jì)出其分布，給出了各個(gè)方向上潛隱變量的概率含義，從而自動(dòng)確定了合適的潛隱變量個(gè)數(shù)。相比現(xiàn)有處理噪聲問(wèn)題的概率主元分析(PPCA)、因子分析(FA)算法，新方法不僅可以自動(dòng)確定潛隱變量個(gè)數(shù)，而且提高了故障檢測(cè)效果，同時(shí)還避免了過(guò)