论文部分内容阅读
随着工业过程监控技术的发展，工业生产的效率和安全性都得到了显著提高。然而对于多工况工业过程，因为其工况会随着市场需求或生产策略等因素的变化而改变，所以目前对其的过程监控技术研究面临着一些困难。 本文以多元统计分析法为基础，提出了一个高斯混合模型(Gaussian mixture model，GMM)参数估计算法。然后针对多工况工业过程的特点，结合所提算法，建立了一个多工况过程监控模型，并将该模型应用到TE过程进行仿真。论文的主要研究内容如下: (1)通过向Deterministic Annealing EM(DAEM)算法的E步骤中引入香农熵，建立了一个熵惩罚最大似然目标函数，最大化该目标函数，得到了一个GMM参数估计算法，实现了混合模型参数和高斯分量数的自动估计。采用基于DAEM算法的后验概率公式计算样本数据属于各个高斯分量的后验概率，降低了参数初值对混合模型参数估计过程的影响。 (2)由于过程数据的测量变量之间存在相关性，导致在对过程数据建立GMM时会因协方差矩阵奇异而失败。针对这一问题，通过向所提GMM参数估计算法中引入PCA数据降维技术，提出了一个多工况过程建模方法，解决了上述协方差矩阵奇异的问题。在对新的过程数据进行监控时，比较研究了基于硬分类和软分类的两种过程监控方法，并采用一个多变量线性系统来仿真验证这两种方法的优缺点。 (3)将所提多工况过程建模方法同基于软分类的过程监控方法相结合，建立了一个多工况过程监控模型，并在TE过程中用该模型进行过程监控仿真，仿真结果表明了所建过程监控模型的有效性。