论文部分内容阅读
近年来，各类工业生产事故带来的严重后果和恶劣影响，时刻提醒着安全生产的重要性。为了保障生产过程的安全、预防事故发生，过程监控作为预防事故新技术得到了普遍的关注。本文主要针对多模态过程的故障检测问题，基于多元统计方法，提取多模态过程数据特征，建立过程的统计模型，保证模型能够真实、系统、完整的反映过程运行状态，提高过程监控结果的准确率，主要包括以下内容: (1)针对多模型监控方法中模态划分问题，利用不同模态的过程数据间存在的差异性和同一模态的数据间存在的时序相关性，提出了变异特征分析(Variation CharacteristicsAnalysis，VCA)模态划分方法。通过提取不同时间窗内数据的变异特征，在历史数据集中找到模态转换点，完成模态划分。该方法无需事先定义模态个数、不必进行复杂的迭代计算，提高了模态划分的效率。 (2)研究多模型监控方法中统计建模和多监控结果整合的问题，针对多模态过程数据分布的复杂性和不确定性，提出了基于局部特征的多模型过程监控方法(LocalFeature-based Multiple Model，LFMM)。在基于密度的局部离群因子方法中，通过约束邻居与该数据均来自于同一个模态，保证提取到的数据局部特征更加符合该模态运行状态，从而建立多个单一模态的模型。在每个单一模型中，建立基于数据局部密度的监控指标，反映每个正常稳定状态的偏离程度。通过贝叶斯整合策略，获得基于多模型监控的整合结果，反映在线运行的状态。 (3)研究高斯混合模型(Gaussian Mixture Model，GMM)方法在过程监控应用中其精度和监控结果容易受到离群点影响的问题，提出了LoOP-GMM(Local OutlierProbability-GMM)的多模态过程监控方法。该方法通过数据预处理过程对建模数据进行过滤提高建模数据质量，解决了模型精度易受离群点影响的问题。考虑到离群点会对监控结果产生影响，该方法建立了基于数据离群信息的全局概率统计量指标，并且考察了新统计量指标对多模态过程监控的有效性。该指标相较于传统监控指标，利用了更多的数据信息。 对上述方法的可行性进行理论分析的同时，通过数值仿真、田纳西-伊斯曼(Tennessee-Eastman，TE)过程、连续搅拌釜过程(Continuous Stirred Tank Reactor，CSTR)验证了其在过程监控中的有效性。