论文部分内容阅读
随着现代工业过程规模的不断扩大和复杂性的日益提高,建立有效的过程监控方法是确保生产安全、提高产品质量和保证经济效益的关键。对于复杂的工业过程来说,往往难以得到精确的数学模型对全过程进行能量和物料平衡关系的描述,而随着计算机技术的不断发展,控制装置对工业现场的信息采集、处理和加工能力显著加强,工业过程中采集和存储的过程数据越来越丰富,如何从海量数据中挖掘出有价值的过程信息,成为具有实际应用意义的研究课题。在这样的背景下,基于多元统计理论的统计过程监控方法应运而生,并在近年来取得了广泛的关注和应用。目前对于统计监控方法的研究成果,多数都是基于单模态操作特性的工业过程建立的,即假设监控数据和历史数据均来自单一的操作模态。然而在实际应用中,往往会由于市场需求的变动、产品指标的改变、以及新配方的增加,会出现不同操作模态之间的切换。在这种情况下,由于过程数据表现出聚类的特性,单模态过程监控方法无法直接移植到多模态工业过程。本文从多模态数据特征入手,采用模式识别工具,以一种新的监控统计量为主线,针对不同类型的多模态工业过程的提出了统计监控策略,主要内容包括以下几个方面:(1)针对多模态过程提出了一种新的基于马氏距离的全局监控统计指标。通过对传统监控统计量T2、SPE、马氏距离、组合监控指标等的总结,指出已有监控统计指标用于多模态过程时的不足,即模态之间数据差异的影响往往会将故障数据表现出来的征兆湮没,使得故障无法显现出来。并进一步在马氏距离的基础上,提出了通过贝叶斯定则融合全局信息的监控指标——BID统计量,不仅包含了全部模态的局部统计信息,还通过后验概率的融合使得监控指标涵盖了全局统计信息,即使是过渡过程的暂态数据也能够实现在线监控。该指标的有效性在一个具有五种运行模态的连续反应加热器上进行了验证。这种新的监控指标也在后面的章节中得到了应用。(2)针对多模态过程的历史数据往往含有大量过渡过程的特点,提出基于模糊化聚类的全局建模方法。无需对数据中的过渡过程进行事先识别与剔除,直接从全部多模态历史数据出发,以BID指标的局部距离为目标函数,采用G-K算法训练FCM模型,并引入了PD指标来确定模糊模型的数目。这种方法充分利用FCM边界模糊的特性,对多模态历史数据进行了“软分类”,消除了离群点和过渡过程对模型精度的影响,提高了模型的鲁棒性。与多模型方法相比简化了建模步骤,减少了在线数据的故障误报率。这种方法的有效性通过具有三种工作模态的TE过程进行了验证。(3)针对具有大量监控数据的高维多模态过程,提出了基于邻近保留投影(LPP)的降维和子空间建模方法。对于高维历史数据来说,直接采用全局建模的方式不仅会消耗大量的计算资源,由于变量之间的耦合和相关性还容易生成奇异矩阵从而导致建模失败。本文采用临近保留投影作为降维工具首先对大规模历史数据进行降维,在降维的同时旨在保留原始数据的邻域特性,生成的低维子空间不仅消除了变量之间的相关性,还保留了历史数据的聚类特征。在LPP子空间建立的模糊模型可以与多模态过程建立良好的对应关系,使得监控结果更易解释。(4)针对具有动态特性的多模态过程,提出了基于高斯混合模型(GMM)的无监督在线自适应建模与监控方法。这种方法用最小信息长度(MML)判据对传统的期望最大化(EM)算法进行了改进,在建模过程中无需任何先验知识即可实现对多模态数据的建模。在线应用时,通过融入包含当前最新过程信息的滑动窗,对目标高斯成分的均值和方差进行在线自动更新,确保了当前模型始终含有较新的过程统计信息,提高了监控模型的精度,从而能够发现生产过程的故障并及时报警。同时,多模态过程有时会由于市场需求的变动有在线增加新模态的要求,通过这种自适应方法也能够有效实现。(5)针对具有长运行周期特性的多模态间歇过程,提出了基于混合展开方式的多路高斯混合模型的监控方法。从有限批次的历史数据集出发,采用边建模边监控的思路运用最新批次的数据对初始模型进行更新。由于间歇过程的数据呈显出多路特性,本文采用了混合展开的方式处理间歇过程的历史数据,不仅使离线模型能够充分包含过程在变量方向和批次方向的动态特征,也为最新批次数据的在线监控带来了便利。通过对具有多阶段特性的青霉素发酵过程仿真,验证了这种方法的有效性和灵敏性。