论文部分内容阅读
现代工业过程的实时监测与控制在提升产品质量和保障生产过程安全稳定运行中起到了至关重要的作用。随着先进控制系统的应用和计算机技术的发展,工业现场采集和存储了大量的过程数据,这些数据反映了过程的运行状态、产品质量乃至经济成本,蕴含了丰富的信息。为了从海量的数据中挖掘出有用的过程信息,实现对过程的离线分析和在线监控,基于数据驱动(尤其是多元统计分析)的过程监测技术在近几十年来已经成为自动控制领域的研究热点,并且在工业界得到了广泛地应用。传统的多元统计分析过程监测技术主要假设生产过程是稳定运行的线性系统,而随着工业过程的大规模和精细化,其生产方式、系统结构已经变得日益繁杂,因此采集到的工业过程数据也包含了互相关、自相关、非线性、时变和多模态以及与质量指标的约束关系等复杂的过程特性。本文以概率模型为主要研究手段,从工业过程的过程特性和数据特性两个维度研究了工业过程建模和故障检测问题。全文的主要研究内容如下:(1)、针对高维过程数据的动态自相关性问题,提出了基于自回归因子分析模型的动态过程建模和故障检测方法。通过将模型的隐变量(即动态因子)限制在低维子空间中,自回归因子分析模型同时提取了数据的自相关性和互相关性,挖掘了完整的数据信息,改善了动态过程(尤其是高阶动态过程)的建模性能。基于模型的动态残差和模型的预测误差构建的统计量能够有效监测动态过程的异常变化,并且避免了故障间的相互干扰问题。(2)、针对过程数据与关键质量指标间的约束关系问题,提出了一种基于概率隐变量回归模型的质量相关故障检测方法。作为一种有监督学习模型,概率隐变量回归技术提取了输入输出变量间的相关关系,同时也反映了其自身的变化,因此基于该模型的过程监测方法对于导致质量变化的过程故障更加敏感,能够有效监测质量变量的变化。同时,传统统计量在概率框架下的有效性也进行了重新的评估和改进,提出了基于概率模型的新的统计量及其故障检测方法。(3)、针对实际采集和记录的过程变量和质量变量采样率不同的问题,继续深入探讨了如何提取不同采样率的过程和质量数据的约束关系,建立了一种基于半监督的概率隐变量回归模型,提出相应的故障检测方法。半监督的概率隐变量回归模型同时包含了有标签数据(包含过程变量和质量变量)和无标签数据(只包含过程变量),并利用大量的无标签数据有效改善了模型预测的准确性。此外,针对连续过程和批次过程不同的过程特性,分别提出了基于半监督概率隐变量回归模型的连续和批次过程故障检测方法。(4)、针对过程的时变特性,尤其是批次过程的缓慢时变特征,提出了一种基于递归高斯过程回归模型的批次过程自适应故障检测方法。在缓慢变化的复杂批次过程中,难以获取充分的建模样本,首先利用有限的建模数据建立了基于高斯过程回归分析的初始模型,随着过程数据的累积,提出了一种基于平方预测误差统计量的模型在线更新标准,选取包含了过程时变特性的样本进行模型更新,并利用递归高斯过程模型将生产过程的新息加入到模型结构中,以准确跟踪过程变化,实现自适应建模与在线故障检测。