论文部分内容阅读
随着现代工业生产水平的提高和自动控制技术的迅速发展,现代化学工业生产过程的规模逐年扩大,设备复杂度越来越高,生产单元之间耦合性也越来越强,与此同时,生产过程发生故障的可能性也随之增加。为了提高流程工业生产过程运行的安全性和可靠性,有必要对生产装置进行故障检测和故障诊断,以便及时发现故障并采取有效的应对措施,这已经引起了工业界和学术界的重视。 在实际的工业过程中,由于生产策略的改变、原料成分的变化等原因,生产过程可以稳定运行在多个工作点,这就是多模态过程的由来。因为多模态过程具有多变量、多工况、变量时变性以及模态转换等特点,增加了对其进行过程监控的难度。 本文基于概率多元统计方法,针对多模态过程数据的特点,考虑到稳定运行工况和过渡阶段,通过解决模态的划分与识别、监控模型的建立和故障诊断的实现这三大问题,搭建起来了一个完整的多模态过程监控体系。 (1)模态的划分与识别。稳定模态和过渡过程并存是多模态过程固有的特点。无论是进行过程数据的离线建模还是在线样本的监测,都要求能够准确地将稳定模态和过渡过程的数据区分开来,还要求能够识别出属于不同操作工况的数据样本。针对这一问题,利用隐马尔科夫模型的输出概率矩阵来刻画不同模态数据的特性,从而实现模态的离线划分和在线识别。 (2)稳定模态的故障检测。针对稳态数据的多峰性特点以及多种稳态数据分布特征(简单的高斯分布或未知的复杂分布),提出了基于多模型思想的监控模型建立方法,对稳定运行在不同工况的过程数据进行局部建模,保证监控模型的精度,给出相应的监测指标,完成故障检测。 (3)过渡过程的故障检测。针对过渡阶段数据的动态性特点以及过渡变化遵循固定运行轨迹这一特性,提出了基于隐马尔科夫模型的监控模型建立方法。利用隐马尔科夫模型的强随机性特点,刻画出正常情况下的过渡过程变化趋势,解决对数据动态性的描述问题,之后再给出相应的监测指标,完成故障检测。 (4)故障变量的定位。由于多模态过程含有多种运行模态,在不同的操作工况下,过程变量之间的相关关系是不一样的,而且每个稳态的数据分布情况可能是多样的,这就增大了故障变量定位的难度。为了解决过程变量贡献度的计算问题,以高斯元为基本单位,先计算局部贡献度,再使用概率整合的手段得到总的贡献度。 (5)故障种类的判断。因为多模态过程的运行工况比较多,所以相应地,生产中可能会出现的故障种类也是繁多的。把隐马尔科夫模型当作分类器,对已有故障数据建立历史故障库。通过计算与离线模型的相似度,实现在线的故障种类判断;通过设定阈值,做到新型故障的识别,从而进一步实现历史故障库的更新。 上述方法解决了多模态过程监控中的一些关键问题和共性问题,这些方法的串联构造出了一个针对多模态过程故障检测和故障诊断的总体解决方案。仿真研究验证了所提方法的有效性。