论文部分内容阅读
复杂化工过程通常对应着一个非线性多变量随机系统，为了处理高维数据间存在的非线性相关关系，本文利用Vine Copula实现了复杂化工过程的故障检测与异常事件数预测。 首先，提出了一种基于Vine Copula相关性描述(VCDD)的多模态故障检测方法。采用C-Vine模型描述不同子模态的分布特性。构建了一类适用于任意分布的广义贝叶斯推断概率(GBIP)监测指标，该指标可以通过查询密度分位数表的方式实现实时估计。该密度分位数表根据样本的联合概率密度函数(PDF)值建立。通过对比发现，提出的VCDD多模态故障检测方法在监测效果与计算复杂度方面均体现出显著优势。 其次，构建了一类含时序相关性的状态估计模型用于实现多班组操作模式的异常事件数预测。该方法引入了分层贝叶斯模型实现对不同班组异常事件数分布的实时更新。采用的基于不同时间窗的D-Vine模型能够很好地刻画各班组间异常事件数存在的时序相关性。通过与自回归滑动平均(ARMA)模型与反向传播(BP)神经网络对比发现，本文提出的时序相关性状态估计模型在预测精度与预测稳定性方面均体现出优良效果。 最后，对基于Copula理论的Rolling Pin（RP）分布函数建模方法进行了更详细的理论证明，为Copula的更广泛的应用提供了理论支持。