论文部分内容阅读
现代流程工业过程和生物过程日益复杂,传统的基于解析模型的建模和过程监控方法由于难以建立精确地数学模型很难直接应用于该类过程之中。因此,随着现代流程工业中的数据采集手段的进步,以及数据存储和处理技术的发展,过程数据信息变得极为丰富。因此,如何利用这些丰富的过程数据,从中提取过程知识引起了研究人员的广泛兴趣。近年来,由于机器学习和多元统计分析技术的快速发展,基于数据驱动的多变量统计分析过程监控方法(Multivariate statistical process monitoring,MSPM)成为现代工业过程和生物过程的建模和监控方法研究领域的新的研究热点。 然而,尽管近年来针对基于多元统计的过程监控方法的监控方法取得了很多研究成果,但是MSPM方法仍然有很多问题,例如如何处理复杂过程的多工况特性、如何从高维多工况的过程数据中有效地提取过程信息、如何解决多工况过程系统的非线性、非高斯性、如何对多模态过程进行在线建模等。因此,本文在前人的研究基础之上,从过程的多模态特征入手,针对现代化工流程和生物过程的特点,根据不同特征的多模态过程分别提出了一些基于多元统计的过程建模和监控策略,并应用于一些典型的化工与生物过程之中。本文的主要工作内容包括以下几个方面: (1)高维单工况的数据特征提取方法研究: 对于一个单工况的过程系统,由于其反应机理的复杂性和过程变量之间的耦合性,因此有必要对过程数据进行特征提取和非线性降维。针对这一问题,本文提出了一种基于统计量特征提取的核独立成分分析方法,该方法能够同时利用原始数据的特征结构和高阶统计量特征,通过分析过程数据的高阶统计量特性,使得过程原始数据的结构信息得到保留的同时,能够更好的利用数据的高阶特征辅助离线数据的非线性建模。 (2)高维单工况和多工况过程的数据特征提取方法研究: 对于复杂的具有操作工况切换的化工过程,而采样样本通常是高维的且带有聚类特征的。因此合理的从高维原始数据中抽取多工况数据的聚类信息以指导多元统计监控方法对在线样本的分类,能够很好的提高多工况过程监控的性能。针对于这一类过程,本文提出了一种能够保持多工况过程数据的过程变化信息和工况聚类特性的流形学习技术,该方法是一种基于新型的局部保持投影和独立成分分析ICA的高维数据自适应映射,从而能够自适应的保持数据结构的多模态局部特征。该方法能够较好的保持全局结构信息和局部结构信息之间的平衡,其中全局结构信息关注于保持整个多模态过程数据集的外形,局部结构信息关注于保持每个模态的内部结构信息。 (3)高维多工况过程的非线性过程监控方法研究: 化工和生物过程的复杂机理造成数据的非线性造成一些传统的监控方法无法有效抽取过程数据的非线性特征,因此,本文利用一种基于在线ICA的混合模型能够较好的识别具有多维非线性非高斯多模态过程的聚类特性。而后根据在线建模技术JITL的工作原理,提出了一种基于混合模型的相似性测度,这种测度能够同时考虑多模态过程的模态聚类特性和样本本身的相关性。从而能够更好的指导在线建模过程中相关数据集的样本的选用。 (4)高维多工况过程的非高斯过程的过程监控方法: 由于当前的工业过程和生物过程的复杂性,使得过程样本的数据分布较为复杂不符合传统数据驱动的监控方法的高斯性假设。如果使用基于高斯分布假设的监控方法会造成模型的错配,影响监控效果。因此,本文中我们利用稀疏编码技术的优点,设计一种针对多模态非高斯过程的监控方法。这种算法的思路是首先利用稀疏编码技术对非高斯过程的信息提取能力对过程数据进行特征提取和数据降维。而后将经过降维且包含非高斯信息的数据进行局部保形LPP建模,利用LPP方法分析其多模态特征,以建立更准确的局部模型。 (5)动态高维多工况过程的建模和过程监控方法研究: 在过程中发生异常时,对工况进行在线预测和评估对工业过程的质量评估和损害控制都很重要,然而传统的离线建模方法,由于单单基于离线的历史数据,无法有效的对工况进行有效的预测。因此提出一种在线的性能监控和建模方法是有价值的。本文提出一种基于改进极限学习机(ELM)的即时学习策略,对非高斯动态过程进行在线建模和性能监控。 最后,在总结全文工作之后,对基于多元统计分析的过程监控领域的发展和下一步工作进行了简单评论和展望。