论文部分内容阅读
近年来,随着数据驱动技术在大型工业设备与系统的广泛应用,针对产品质量的数据型过程监控技术也越发引人注意。与以往的数据型过程监控技术相比,质量相关的数据型过程监控技术可以建立起故障与产品质量的紧密联系,并将工业过程中的故障分为质量相关的故障和质量无关的故障。这种划分会减少某些不必要的故障报警,同时可以避免不必要的停产检修,降低生产和维护成本,直接提升企业经济效益。由于该项技术的独特性,质量相关的数据型过程监控技术已成为工程和学术界的热门研究课题。但是受限于该项技术的发展时间,仍存在很多亟待解决的问题。例如,该项技术无法很好地处理工业过程的数据集中存在动态性以故障诊断精度不足等问题。本文拟对多元统计分析技术中主成分回归算法(Principle Component Regression,PCR)进行改进,并与质量相关的故障诊断技术相融合,对动态和静态过程系统进行质量相关的故障检测与诊断方法的具体研究。本文的主要研究内容如下:(1)在过程系统中,以往的多元统计分析技术默认过程数据是静态的,而实际过程中的采样数据中通常具备着动态特性。针对这个问题,在现有PCR算法的基础上,结合自回归移动平均模型(Auto-Regressive Moving Average Exogenous,ARMAX)进行研究,提出一种称为动态全主成分回归算法(Dynamic Total Principal Component Regression,DTPCR)。该方法可以适应过程数据中的动态性,准确提供输入数据与输出数据间的动态关系并将过程变量划分成质量相关的子空间和质量无关的子空间,从而实现对故障的检测。同时该方法可以对质量变量进行很好地预测。再采用Tennessee Eastman Process(TEP)化工实例和数值仿真例子对PLS算法和DTPCR算法进行对比分析,在对质量相关的故障检测实验与质量变量相关的预测实验中,DTPCR算法比标准PLS算法展现出更强的质量变量预测能力和更优的故障检测性能。(2)对于已有贡献图技术无法提供准确故障诊断结果的问题,本文在前人的基础上,提出一种基于增强型主成分回归(Improved PCR,IPCR)算法的贡献图诊断技术。该方法主要采用IPCR算法和贡献图技术,根据IPCR算法所提供的故障检测结果,将T~2统计量的贡献量进行逐一计算,从而判断出导致故障的主要原因变量。同时,本文通过新提出的诊断技术提出了一种新的故障诊断策略。通过TEP化工实例对基于PLS算法的贡献图诊断技术和新方法进行仿真对比,可以发现新提出的方法所提供的诊断结果更准确且故障诊断策略更适应于质量相关的故障诊断方法。