论文部分内容阅读
由于现代流程工业的复杂性，很难建立精确的数学模型，传统基于解析模型的监控方法难以应用。随着集散控制系统的广泛应用，过程特征得以从海量过程数据中提取，基于数据驱动的过程监控方法通过对过程数据的模态分析，挖掘过程的运行状态，并在过程故障的情况下快速分析故障原因，成为过程监控领域的研究热点。但是传统基于数据驱动的方法存在局限，如要求过程数据满足高斯分布，数据之间服从线性相关关系、系统工作在单一工况等，而实际工业过程通常无法满足这些条件。因此，本论文重点针对化工过程中实际存在的高维非高斯问题、带有周期扰动的非高斯问题、含工况间时变过程的多工况问题、监控系统的经济性问题，提出了如下过程监控方法: (1)高维非高斯过程的监控方法研究 由于化工过程多存在不确定性干扰，运行数据通常呈现非高斯分布的特点，为了处理非高斯过程，常用的方法是采用几个高斯元来共同模拟非高斯过程，即高斯混合模型(Gaussian mixture models，GMM)。GMM通常采用带有合并算子的Figueiredo-Jain(F-J)算法自动优化高斯元数量，消除权重过小的高斯元，并估计每个高斯元的统计分布参数。然而，当将带合并算子的F-J算法应用到高维数据的时候，在初始高斯元较多且采样数量相对较少情况下，带合并算子的F-J算法将难以应用。为此，本文给出了在高维非高斯情况下采样数量、数据维数和初始高斯元数三者之间的初始参数选择准则，即高维GMM应用的充分非必要条件。该方法以田纳西伊斯曼(Tennessee Eastman，TE)过程和对二甲苯(p-xylene，PX)氧化过程为对象进行应用，结果表明其在处理高维非高斯过程监控的有效性，随后采用了基于高维特征提取的可视化自组织映射方法实现了对PX氧化过程的故障诊断。 (2)带有周期扰动的非高斯过程监控方法研究 一些化工过程极易受到环境温度等周期性变化的影响，使其数据呈现周期扰动的非高斯性分布特性，对此本文提出了基于移动平均残差-独立元分析(moving averageresidual analysis-independent component analysis，MARA-ICA)的过程监控方法。考虑到周期性扰动难以直接采用残差分析等常规方法消除扰动，本文首先采用移动平均方法来同步扰动周期，使得不同时刻的扰动值趋于相同，随后通过残差分析消除扰动，并讨论了移动步长对于周期扰动消除效果的影响以及算法的灵敏性;进一步地，对于过程数据本身的非高斯性采用ICA对其残差数据进行故障检测，并利用改进的变量贡献图方法诊断故障原因。本文将MARA-ICA方法应用于带周期扰动的TE过程以及带周期扰动的乙烯压缩机过程，相比于传统基于残差分析的监控方法，本文所提方法可以完全消除周期扰动，因此具有更高的检测率和更低的漏检率。 (3)含工况间时变的多工况过程监控方法研究 随着进料负荷、催化剂状态的改变以及设备的带缺运行等原因，化工生产过程呈现多工况的特征，并且工况之间的切换为时变过程。为了监控带有工况间时变的多工况过程，本文提出了基于即时学习的改进受体密度算法。考虑到多工况切换中的时变过程很难用特定模型来描述，而即时学习方法(lazy learning，LL)是通过自适应选取采样点建立局部估计模型，可适应多工况变化情况。本文首先通过LL处理，得到不受工况影响的过程变量残差，并针对该残差的非线性特点，提出更适用于化工过程数据大变异情况的改进受体密度分析方法(modified receptor density analysis，MRDA)监控残差变化，并采用支持向量机数据描述方法构建监控量。通过对数值仿真实例和多工况TE过程监控，既证明了LL可以有效去除工况和时变的影响，也说明了MRDA的良好监控性能。 (4)具有经济最优控制限的化工过程经济监控图研究 化工过程监控效果多关注检测率和漏检率等，很少关注监控系统的成本问题。考虑到监控系统通常具有采样成本、过程检查成本、维修成本以及不能及时维修的质量损失成本等，本文将单位时间平均成本的概念引入到化工过程监控中，构造经济最优的贝叶斯(Bayesian)监控图，并根据该图判断何时进行过程检查和维修可以实现单位时间期望平均成本最低。由于经济最优Bayesian监控图要求数据非自相关，为处理化工过程数据间的自相关性，本文首先采用最小二乘支持向量机进行数据预处理，并通过隐马尔科夫模型来描述不可观测的化工过程并得到Bayesian监控图的参数，随后用半马尔科夫决策过程计算经济最优Bayesian监控图的经济最优控制限。最后，将经济最优Bayesian监控图应用于TE过程的监控中，一旦监控量超过经济最优控制限，则实施过程检查，以期单位时间平均成本最低。