基于PCA的流程工業(yè)性能監(jiān)控與故障診斷研究.pdf

1、工業(yè)生產(chǎn)過程的性能監(jiān)控與故障診斷一直是流程工業(yè)計(jì)算機(jī)集成過程系統(tǒng)(CIPS)的重要組成部分。它通過密切地監(jiān)測(cè)生產(chǎn)過程的運(yùn)行狀態(tài)，及時(shí)檢測(cè)故障的發(fā)生、過程干擾以及其它異常工況，定位并診斷引發(fā)故障的原因變量，從而保證生產(chǎn)過程安全運(yùn)行，提高產(chǎn)品質(zhì)量和生產(chǎn)效率。目前，隨著計(jì)算機(jī)控制技術(shù)的發(fā)展，分布式工業(yè)控制計(jì)算機(jī)系統(tǒng)(DCS)和各種智能化儀表、控制設(shè)備在工業(yè)過程中的廣泛應(yīng)用，大量過程數(shù)據(jù)被采集并存儲(chǔ)下來，如何充分利用這些存儲(chǔ)下來的數(shù)據(jù)信息，從中

2、挖掘出過程運(yùn)行的深層次信息，以提高過程監(jiān)控能力，正是目前過程控制領(lǐng)域的研究熱點(diǎn)之一。 基于主元分析(PCA)的過程監(jiān)控方法是一種數(shù)據(jù)驅(qū)動(dòng)的過程監(jiān)控算法，它不需要過程的精確數(shù)學(xué)模型，只需要過程數(shù)據(jù)就可實(shí)現(xiàn)對(duì)過程的監(jiān)控，近十幾年來獲得了較快的發(fā)展。盡管基于PCA的過程監(jiān)控方法是多元統(tǒng)計(jì)過程監(jiān)控方法中研究和應(yīng)用最多的一種，但是目前該領(lǐng)域的理論體系并不完善，還有許多問題尚未得到最終解決。本文以PCA為主線，針對(duì)傳統(tǒng)PCA理論體系的缺陷及

3、流程工業(yè)過程數(shù)據(jù)、過程本身的特點(diǎn)，對(duì)傳統(tǒng)PCA作了不同程度的改進(jìn)，并提出了一些新的監(jiān)控算法。全文共分兩大部份，即過程監(jiān)測(cè)與故障診斷，它們相互聯(lián)系，形成了具有魯棒特性的流程工業(yè)在線過程監(jiān)測(cè)與故障診斷體系，具體包括： (1)第二章針對(duì)基于多向主元分析(MPCA)(包括PCA)的統(tǒng)計(jì)監(jiān)控模型易受建模數(shù)據(jù)中離群點(diǎn)影響的不足，提出了一種基于改進(jìn)尺度的CDC<,m>/MVT建模數(shù)據(jù)離群點(diǎn)去除算法。該算法將改進(jìn)尺度的CDC<,m>與MVT相結(jié)

4、合，首先利用改進(jìn)尺度得到離線建模正常數(shù)據(jù)的均值和標(biāo)準(zhǔn)差，并對(duì)數(shù)據(jù)進(jìn)行中心化和標(biāo)準(zhǔn)化處理；然后利用CDC<,m>算法找出建模歷史數(shù)據(jù)中最一致的一半正常點(diǎn)；最后用這最一致的一半正常點(diǎn)初始化MVT的馬氏距離的均值和協(xié)方差，并通過迭代計(jì)算得到其它的正常點(diǎn)。將該算法應(yīng)用于β-甘露聚糖酶發(fā)酵批過程離群點(diǎn)的去除，與其它魯棒離群點(diǎn)檢測(cè)算法相比，應(yīng)用結(jié)果表明該算法能有效地去除建模數(shù)據(jù)中的離群點(diǎn)。 (2)由于本論文是基于PCA的流程工業(yè)性能監(jiān)控與故

5、障診斷研究，故第三章闡述了多元統(tǒng)計(jì)過程監(jiān)控中的主元分析處理方法和它的主要統(tǒng)計(jì)量。通過平方預(yù)測(cè)誤差(SPE)統(tǒng)計(jì)量(也稱Q統(tǒng)計(jì)量)和T<'2>統(tǒng)計(jì)量，將多變量的多維數(shù)據(jù)轉(zhuǎn)化為對(duì)統(tǒng)計(jì)量本身的單變量處理，給出了基于主元分析的過程監(jiān)控方法。 (3)第四章利用一種改進(jìn)的PCA方法正確區(qū)分了正常工況的改變與故障發(fā)生問題。PCA是一種能夠?qū)I(yè)過程進(jìn)行安全監(jiān)測(cè)的有效方法，但是目前關(guān)于PCA監(jiān)測(cè)方法的特點(diǎn)及其內(nèi)涵的研究卻并不充分，已有的結(jié)論多為

6、定性的且很不明確。本章通過分別導(dǎo)出T<'2>和Q(SPE)統(tǒng)計(jì)量均值與過程數(shù)據(jù)統(tǒng)計(jì)參數(shù)之間的關(guān)系，分析了工況變化與故障在PCA下的不同被檢測(cè)行為，在此有關(guān)結(jié)論的基礎(chǔ)上，針對(duì)T<'2>和SPE檢驗(yàn)所提供的信息并不是對(duì)應(yīng)的缺陷，采用主元相關(guān)變量殘差(PVR)統(tǒng)計(jì)量代替平方預(yù)測(cè)誤差Q統(tǒng)計(jì)量；并用累積方差貢獻(xiàn)率及復(fù)相關(guān)系數(shù)去確定PCA模型的主元數(shù)。將此改進(jìn)的PCA方法應(yīng)用到β-甘露聚糖酶發(fā)酵過程的仿真監(jiān)測(cè)，與傳統(tǒng)的PCA方法相比，結(jié)果表明改進(jìn)的

7、PCA方法避免了Q統(tǒng)計(jì)量相對(duì)較大的缺陷，能夠提供更詳細(xì)的過程變化信息，從而能有效地識(shí)別正常工況改變與故障引起的T<'2>圖變化，提高了對(duì)過程變化的分析與診斷能力；同時(shí)用它確定的主元數(shù)保證了主元子空間中的信息存量。 (4)第五章針對(duì)基于多向主元分析(MPCA)的方法在批過程故障監(jiān)測(cè)‘中以樣本觀測(cè)相互獨(dú)立作為假設(shè)前提條件，沒有考慮到時(shí)間序列相關(guān)性的影響及需要對(duì)新批次未反應(yīng)完的數(shù)據(jù)進(jìn)行預(yù)估的缺陷，提出了一種改進(jìn)的批過程動(dòng)態(tài)主元分析(I

8、BDPCA)在線監(jiān)測(cè)方法。該方法首先利用第二章的改進(jìn)尺度的CDC<,m>/MVT算法獲取正常建模歷史批次數(shù)據(jù)；然后在對(duì)不等長(zhǎng)的正常建模歷史批次數(shù)據(jù)進(jìn)行處理、并對(duì)之進(jìn)一步中心化和標(biāo)準(zhǔn)化的基礎(chǔ)上，采用時(shí)滯變量和第四章的PVR和CVR兩個(gè)新統(tǒng)計(jì)量對(duì)批過程進(jìn)行在線監(jiān)測(cè)，并提出了確定時(shí)滯變量的算法。在IBDPCA方法中，使用時(shí)滯變量將過程的靜態(tài)和動(dòng)態(tài)特征相結(jié)合，有效地去除了測(cè)量變量時(shí)間序列的自相關(guān)關(guān)系，并通過時(shí)滯窗口提供了在線監(jiān)測(cè)方案，避免了對(duì)新

9、批次未反應(yīng)完的數(shù)據(jù)進(jìn)行預(yù)估的需要。將IBDPCA應(yīng)用于β-甘露聚糖酶發(fā)酵批過程監(jiān)測(cè)，與移動(dòng)窗多向主元分析(MWMPCA)法相比，應(yīng)用結(jié)果表明該方法能夠更精確地對(duì)過程故障行為進(jìn)行描述，具有良好的準(zhǔn)確性和實(shí)時(shí)性。 (5)第六章在前兩章檢測(cè)出故障的基礎(chǔ)上，主要解決故障的識(shí)別問題。由于基于PCA的統(tǒng)計(jì)監(jiān)控方法沒有利用過程機(jī)理模型(first principle model)的信息，因此在一定程度上限制了其故障診斷能力的發(fā)展。本章基于PC