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)計算機集成過程系統(tǒng)(CIPS)的重要組成部分。它通過密切地監(jiān)測生產(chǎn)過程的運行狀態(tài)，及時檢測故障的發(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)過程安全運行，提高產(chǎn)品質(zhì)量和生產(chǎn)效率。目前，隨著計算機控制技術(shù)的發(fā)展，分布式工業(yè)控制計算機系統(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)被采集并存儲下來，如何充分利用這些存儲下來的數(shù)據(jù)信息，從中

2、挖掘出過程運行的深層次信息，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)就可實現(xiàn)對過程的監(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，對傳統(tǒng)PCA作了不同程度的改進，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)測與故障診斷體系，具體包括： (1)第二章針對基于多向主元分析(MPCA)(包括PCA)的統(tǒng)計監(jiān)控模型易受建模數(shù)據(jù)中離群點影響的不足，提出了一種基于改進尺度的CDC<,m>/MVT建模數(shù)據(jù)離群點去除算法。該算法將改進尺度的CDC<,m>與MVT相結(jié)

4、合，首先利用改進尺度得到離線建模正常數(shù)據(jù)的均值和標準差，并對數(shù)據(jù)進行中心化和標準化處理；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；最后用這最一致的一半正常點初始化MVT的馬氏距離的均值和協(xié)方差，并通過迭代計算得到其它的正常點。將該算法應(yīng)用于β-甘露聚糖酶發(fā)酵批過程離群點的去除，與其它魯棒離群點檢測算法相比，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。 (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)計過程監(jiān)控中的主元分析處理方法和它的主要統(tǒng)計量。通過平方預(yù)測誤差(SPE)統(tǒng)計量(也稱Q統(tǒng)計量)和T<'2>統(tǒng)計量，將多變量的多維數(shù)據(jù)轉(zhuǎn)化為對統(tǒng)計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)過程進行安全監(jiān)測的有效方法，但是目前關(guān)于PCA監(jiān)測方法的特點及其內(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)計量均值與過程數(shù)據(jù)統(tǒng)計參數(shù)之間的關(guān)系，分析了工況變化與故障在PCA下的不同被檢測行為，在此有關(guān)結(jié)論的基礎(chǔ)上，針對T<'2>和SPE檢驗所提供的信息并不是對應(yīng)的缺陷，采用主元相關(guān)變量殘差(PVR)統(tǒng)計量代替平方預(yù)測誤差Q統(tǒng)計量；并用累積方差貢獻率及復(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，與傳統(tǒng)的PCA方法相比，結(jié)果表明改進的

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

8、BDPCA)在線監(jiān)測方法。該方法首先利用第二章的改進尺度的CDC<,m>/MVT算法獲取正常建模歷史批次數(shù)據(jù)；然后在對不等長的正常建模歷史批次數(shù)據(jù)進行處理、并對之進一步中心化和標準化的基礎(chǔ)上，采用時滯變量和第四章的PVR和CVR兩個新統(tǒng)計量對批過程進行在線監(jiān)測，并提出了確定時滯變量的算法。在IBDPCA方法中，使用時滯變量將過程的靜態(tài)和動態(tài)特征相結(jié)合，有效地去除了測量變量時間序列的自相關(guān)關(guān)系，并通過時滯窗口提供了在線監(jiān)測方案，避免了對新

9、批次未反應(yīng)完的數(shù)據(jù)進行預(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，與移動窗多向主元分析(MWMPCA)法相比，應(yīng)用結(jié)果表明該方法能夠更精確地對過程故障行為進行描述，具有良好的準確性和實時性。 (5)第六章在前兩章檢測出故障的基礎(chǔ)上，主要解決故障的識別問題。由于基于PCA的統(tǒng)計監(jiān)控方法沒有利用過程機理模型(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