论文部分内容阅读
工业生产过程的性能监控系统是流程工业CIPS的重要组成部分。它通过密切地监督生产过程的运行状态，不断地检测过程的变化和故障信息，从而有效地提高了产品质量和经济效益。目前，随着DCS和计算机技术在流程工业中的广泛应用，大量的过程数据被采集并存储下来，但是这些包含过程运行状态信息的数据并没有被有效地利用，以致出现了所谓的“数据丰富，信息匮乏”的现象。如何将这些存储的数据变为有用的信息，从中挖掘出过程运行的深层次信息，并利用这些信息提高过程监控能力，正是目前过程控制领域的研究热点之一，也是本文的研究重点。 本文所做的工作以主元分析PCA为主线，针对不同工业过程对象的特点，对传统的PCA作了不同程度的改进，提出了一些新的监控算法。这些方法不依赖过程的数学模型，而是基于数据驱动的。由于连续生产方式和间歇生产方式是流程工业中两种重要的生产方式，它们具有各自不同的特点，因此，本文的工作分两大部分，即连续工业过程的监控和间歇工业过程的监控，具体包括： (1)采用多变量核密度估计方法，研究了参数不确定条件下，过程数据的分布及其对系统监控性能的影响。连续搅拌釜的仿真结果表明，在参数不确定的情况下，数据会偏离正态分布，且在相同的不确定条件下，不同的参数对最终数据的分布影响也不同。而传统的基于主元分析的系统性能监控方法都是假定测量数据相互独立且服从正态分布的，采用核密度估计方法无需对数据的分布作任何假定。 (2)提出了一种基于独立分量分析(ICA)和支撑向量机(SVM)对系统性能进行监控的整体框架，这一框架包括特征提取和故障识别两部分。独立分量分析被用来从当前工况的数据矩阵中提取出代表当前工况特征的投影系数矩阵，而这些投影系数矩阵则被用来训练多个支撑向量机，从而利用它们实现故障类型的识别。采用独立分量分析的方法可以避免数据服从正态分布的假定，且由于各个独立成分之间统计独立，其联合概率密度函数可以很方便的求取。进一步地，这些独立成分构成了正常工况的特征空间，过程变量在该空间上投影系数矩阵的变化被作为监控指标。Tennessee Eastman过程的仿真研究表明，该算法是可行的，并与传统的基于主元分析的算法相比，具有更好的监控性能，能够更早地检测出故障的发生。而考虑到实际工业过程故障数据都是少量的，支撑向量机在小样本学习方面具有良好的泛化能力。利用支撑向量机对TE过程的投影系数矩阵进行识别，也获得较满意的结果。 (3)提出以主元子空间相互之间的距离来识别不同的工况。该方法从空间的角度考察了主元分析的实质，认为不同的主元子空间代表了不同的操作模式和工况。与传统浙江大学博士学位论文的基于主元得分贡献图以及基于最大特征方向夹角的故障识别方法相比，该方法充分利用了各个主元的信息。通过对流化催化裂化反应再生系统的仿真研究，证实了该方法的有效性。 (4)提出了一种基于模型的多尺度间歇过程性能监控方法。该方法利用神经网络对间歇过程的非线性和动态特征进行描述，神经网络的预测残差则利用多尺度主元分析进行建模，从而将多尺度主元分析扩展用于间歇过程的监控。这一方法突破了传统多向主元分析单模型、线性化的建模方式，是一种多模型非线性建模方法。它利用小波将每一残差信号分解为各个尺度上的近似部分和细节部分，而主元分析则用于分别建立各个尺度上的统计模型。通过对实际工业链霉素发酵过程数据的分析，表明本文所提出的方法与传统的多向主元分析方法相比，能够更早的发现故障，获得更好的监控性能。 (5)提出了多向Fishe:判据分析(MFDA)的方法用于间歇过程监控。传统的间歇过程监控方法都是基于多向主元分析(MPCA)，由于其在建模时只利用了正常工况下的数据，其故障诊断能力并不令人满意。而提出的MFDA算法同时利用正常工况和故障条件下的数据进行建模，其故障诊断能力要优于MPCA，在故障检测的同时也实现了故障的诊断。而且，MPCA方法只是MFDA的一个特例。通过对实际工业链霉素发酵过程数据分析，表明本文提出算法是可行的，可以获得较满意的故障诊断结果。 (6)探讨了在计算机集成过程系统(CIPs)下过程性能监控系统的集成框架体系，分析了过程监控系统与其它子系统之间的相互联系与功能。并探讨了过程监控系统开发和实施过程中需要注意的若干关键技术问题。 最后，在总结全文的基础上，提出有待进一步研究的课题和今后工作的重点。