论文部分内容阅读
过程监测技术是过程自动化系统的重要组成部分和关键技术之一。对保障过程的安全稳定运行和提高产品质量等现代流程工业的核心目标,过程监测技术具有重大的工业价值和研究意义。随着企业规模的不断扩大和工艺流程的日趋复杂,过程的机理模型难以获得;与此同时,由于集散控制系统在工业界的普及和计算机技术的快速发展,流程工业积累了海量的过程数据。因此,基于多元统计分析的过程监测技术成为了学术研究和工业应用的热点,在过去二十年里产生了许多的研究成果和应用。由于过程对象的本质特征和闭环控制系统的广泛运用,过程动态性是实际工业过程广泛存在的一种性质。近年来,研究者们针对过程的动态特性,提出了诸如动态多变量过程监测方法、时间序列模型、以子空间方法为主的状态空间模型,取得了许多重要的研究成果。以上方法假定动态过程运行在单一的工况下,过程变量之间线性相关而且服从高斯分布。然而,实际的动态过程往往运行在更复杂的环境下,使得过程变量非线性、非高斯,工况非单一,而且受到过程噪声的影响。本文在已有的基于状态空间模型过程监测方法的基础上,针对不同的动态过程复杂特性,提出了以下对复杂动态过程进行建模与监测的新方法和新思路。(1)针对小样本环境下动态过程的建模与监测问题,提出了一种基于稀疏偏最小二乘的动态过程建模方法。稀疏偏最小二乘方法通过对投影向量加入稀疏性约束,可以获得稀疏的投影矩阵,从而对子空间辨识时的输入变量进行变量选择。该方法在模型训练样本比较少的情况下,也能获得较好的建模结果,大大减弱了模型的过拟合问题,增强了模型对样本外数据的推广能力。在过程监测的应用上,基于稀疏偏最小二乘模型的过程监测方法的性能优于没有加稀疏约束的偏最小二乘方法。(2)对于噪声环境下的动态过程监测,提出了一种基于数据的线性高斯状态空间模型。类似于概率主成分分析和因子分析,线性高斯状态空间模型同时考虑到了过程噪声的统计特性。该模型的参数通过期望最大化算法估计出来。在模型中,采用卡尔曼滤波器来进行状态估计与输出预测,在状态空间和残差空间分别建立监测统计量,并提出了基于残差监测统计量贡献的故障识别算法。与传统的基于主成分分析的故障识别算法相比,本文提出的故障识别算法有效的避免了故障干扰问题,在对动态过程进行故障识别时,可以获得更加准确的识别结果。(3)考虑到多工况过程的动态特性,提出了一种多工况动态过程监测的混合规范变量分析模型。该模型既考虑到了过程的多工况特性,将过程分解为不同的高斯分布子模态;同时也考虑到了过程数据的动态特性,对于每一个子模态,分别采用子空间方法建立动态子模型。在对过程样本进行监测时,可以通过贝叶斯公式和边缘概率分布求取样本从属于每一个子模型的后验概率。并且在不同的子模型下,分别计算局部监测统计量,最后根据后验概率,将不同子模型的局部监测统计量综合起来,构成全局的监测统计量。相比于传统的用于多模态过程监测的高斯混合模型和用于动态过程监测的规范变量分析方法,本文提出的方法是一种更可行的多模态动态过程监测方法,能够取得更好的监测性能。(4)提出了一种基于核偏最小二乘的非线性非高斯动态过程的监测方法。与基于偏最小二乘的线性子空间方法不同的是,核偏最小二乘方法将模型的输入变量经过非线性投影到高维特征空间以后,再建立和输出变量的关系。因此,核偏最小二乘方法中可以同时对过程数据的非线性和动态性进行建模。而核函数的引入可以将这种非线性投影隐式表达,应用中不需要关心其复杂的非线性投影形式,简化了计算的复杂性。在过程监测中,对于非高斯分布的核偏最小二乘得分变量,传统的基于高斯分布变量的监测统计量不再有效。为了解决非高斯分布变量的监测问题,提出了基于支持向量数据描述的监测方法。该监测方法对过程变量的统计分布没有要求。因此,在非线性非高斯的动态过程中,本文提出的方法也能取得良好的监测性能。