基于統(tǒng)計(jì)學(xué)方法的自適應(yīng)過程監(jiān)控與故障診斷.pdf

1、隨著工業(yè)過程規(guī)模的不斷擴(kuò)大和復(fù)雜性的日益提高，有效的過程監(jiān)控和故障診斷是保證生產(chǎn)安全、提高產(chǎn)品質(zhì)量和經(jīng)濟(jì)效益的關(guān)鍵。對(duì)復(fù)雜的工業(yè)過程來說，準(zhǔn)確詳細(xì)的數(shù)學(xué)模型往往很難得到。即使能夠得到，這些理論上的等式也只能描述系統(tǒng)中一部分能量及物料平衡關(guān)系。這就限制了基于模型的過程監(jiān)控方法的應(yīng)用。另外，隨著計(jì)算機(jī)集散控制系統(tǒng)的應(yīng)用和發(fā)展，大量的測(cè)量數(shù)據(jù)被及時(shí)采集和存儲(chǔ)。如何從這些海量數(shù)據(jù)中挖掘出隱藏的有用信息，提高過程監(jiān)控和故障診斷能力，已經(jīng)成為越來越

2、迫切需要解決的問題。統(tǒng)計(jì)過程監(jiān)控就是在這種背景下發(fā)展起來的，并且受到了廣泛關(guān)注。
　　 統(tǒng)計(jì)過程監(jiān)控是一種基于多元統(tǒng)計(jì)理論的方法。它通過對(duì)測(cè)量數(shù)據(jù)進(jìn)行分析和解釋，建立統(tǒng)計(jì)監(jiān)控模型，判斷過程所處的運(yùn)行狀態(tài)，在線檢測(cè)和識(shí)別過程中出現(xiàn)的異常工況，從而減小由過程故障所造成的損失，提高生產(chǎn)效率。
　　 本文在介紹統(tǒng)計(jì)過程監(jiān)控的研究內(nèi)容、方法和發(fā)展現(xiàn)狀的基礎(chǔ)上，首先關(guān)注了連續(xù)生產(chǎn)過程自適應(yīng)監(jiān)控方法?；谥髟治?PCA)模型的傳統(tǒng)過

3、程監(jiān)控假設(shè)工業(yè)過程是靜止的，PCA模型一旦建立就不需要發(fā)生變化。而實(shí)際的工業(yè)過程大部分都是時(shí)變的，當(dāng)用一個(gè)固定的PCA模型去監(jiān)控一個(gè)時(shí)變系統(tǒng)必然引起高的錯(cuò)誤率。其次，對(duì)于廣泛應(yīng)用于過程故障診斷的Fisher判別分析(FDA)，盡管比PCA或偏最小二乘(PLS)具有更好的故障診斷性能，但是當(dāng)故障數(shù)據(jù)存在相互重疊時(shí)，它的故障診斷能力顯著下降。與其它模式分類問題不同，過程故障診斷具有一個(gè)特殊類:正常數(shù)據(jù)類。改進(jìn)的FDA充分利用這個(gè)特殊類，有效

4、提高了FDA的故障診斷能力。最后，通過核方法將上述自適應(yīng)監(jiān)控方法和改進(jìn)的FDA推廣到非線性情況。
　　 具體來說，本文的主要工作和貢獻(xiàn)體現(xiàn)在以下幾個(gè)方面:
　　 1、針對(duì)工業(yè)過程時(shí)變特性，提出了一種新的基于可變移動(dòng)窗PCA(VMWPCA)的自適應(yīng)監(jiān)控方法。在遞歸更新協(xié)方差矩陣的基礎(chǔ)上，VMWPCA首先將移動(dòng)窗技術(shù)與經(jīng)典的秩r奇異值分解算法（R-SVD）結(jié)合起來，實(shí)現(xiàn)了PCA監(jiān)控模型的遞歸更新。另一方面，移動(dòng)窗的長度應(yīng)該是

5、一個(gè)取決于過程變化快慢韻重要調(diào)節(jié)參數(shù)，而不能簡單憑經(jīng)驗(yàn)選擇一個(gè)固定長度。為此，提出了一種可變移動(dòng)窗策略，并詳細(xì)討論了各參數(shù)的選擇方法。它的最大特點(diǎn)是最優(yōu)移動(dòng)窗長度直接由反映過程變化的均值和協(xié)方差矩陣的變化來決定。
　　 2、針對(duì)非線性時(shí)變工業(yè)過程，結(jié)合核主元分析(KPCA)處理非線性數(shù)據(jù)的優(yōu)點(diǎn)，提出了基于可變移動(dòng)窗核主元分析(VMWKPCA)的非線性自適應(yīng)監(jiān)控方法。通過核方法將VMWPCA推廣到VMWKPCA，需要解決兩個(gè)主要問

6、題:一是通過核化R-SVD實(shí)現(xiàn)KPCA監(jiān)控模型的遞歸更新;二是實(shí)現(xiàn)特征空間上的可變移動(dòng)窗策略。
　　 3、結(jié)合過程故障診斷的特點(diǎn)，提出了基于變量加權(quán)FDA(VW-FDA)的故障診斷方法。VW-FDA將變量加權(quán)與傳統(tǒng)FDA結(jié)合起來。通過變量加權(quán)獲得每一個(gè)故障的加權(quán)向量后，對(duì)所有故障數(shù)據(jù)類分別進(jìn)行加權(quán)。VW-FDA能夠從這些加權(quán)數(shù)據(jù)中獲得更多判別信息，從而提過FDA的故障診斷能力。準(zhǔn)確的變量加權(quán)是VW-FDA的重要一環(huán)。為此，提出了

7、基于偏F值和累計(jì)變化百分比(CPV)的變量加權(quán)方法。CPV從全部測(cè)量變量中挑選候選變量后，只計(jì)算候選變量的偏F值，而不是全部測(cè)量變量的偏F值。這樣，不僅提高了偏F值的計(jì)算效率，而且也有效消除了無關(guān)變量的影響，改善了偏F值的加權(quán)性能。
　　 4、將非線性變量加權(quán)與核FDA(KFDA)結(jié)合起來，提出了基于變量加權(quán)KFDA(VW-KFDA)的非線性故障診斷方法。這里非線性變量加權(quán)通過最大化變量加權(quán)準(zhǔn)則:核目標(biāo)對(duì)齊(KernelTarg