论文部分内容阅读
随着现代流程工业的进步,间歇过程逐渐扮演着愈发重要的角色。工业生产过程对于操作安全性及质量的高标准要求使得间歇过程实时的在线监控及故障监测研究尤为重要。本课题针对间歇过程多阶段及非高斯数据分布等特点,以独立成分分析算法为基础,研究一种基于多阶段MICA的间歇过程故障监测方法:(1)实现间歇过程操作阶段的自适应划分算法多操作阶段是许多间歇过程的固有特征,标准FCM算法在进行间歇过程阶段划分时,需要事先给定划分阶段的个数,随机初始化聚类中心,且对噪声及孤立点敏感。因此本文提出应用聚类有效性函数的自适应FCM算法,解决上述存在问题,实现对间歇过程操作阶段的自适应划分。(2)研究一种基于粒子群优化的MICA算法多向独立成分分析方法在间歇过程故障监测中得到长足发展。FastICA算法作为研究中常见的ICA过程监控建模方法,在使用时易受初始点的影响,梯度下降无法收敛到极小点,且算法运行前独立主元个数未知。因此本文提出粒子群优化的MICA算法。独立成分分析适用于非高斯性的监控领域,数据特点导致其与PCA、PLS等方法在确定监控统计量置信限时处理方法不同。本文引入支持向量数据描述算法确定监控统计量的置信限,避免了核密度估计带来的“维数灾难”等问题。(3)提出了一种基于多阶段MICA的间歇过程故障监测方法对于实际的间歇工业过程,历史数据往往满足非高斯分布的特点并且具有明显的多阶段特性,因此课题研究一种基于多阶段MICA的故障监测方法,实现对间歇工业过程的有效监控。该方法先采用自适应FCM算法对间歇过程进行阶段划分,然后在每一子阶段内建立粒子群优化的MICA子模型,最后采用改进的统计量置信限进行过程监控。工业青霉素发酵仿真实验验证了本文所提方法可以使过程监控更加及时有效。(4)大肠杆菌现场实验研究对大肠杆菌生物发酵过程进行过程监控,实验结果表明,对于具有多阶段及非高斯数据特性的间歇过程,本文方法既可以降低对正常操作过程的误报警,又可降低对故障过程的漏报,从而使操作人员及时发现故障。