论文部分内容阅读
过程监控技术是保证现代流程工业安全平稳运行及产品质量的有效手段。复杂化工过程通常为非线性多变量随机系统，各生产单元往往具有高关联性，过程数据间也存在复杂的相关性。捕捉这些复杂相关性比较困难，Vine Copula函数在刻画复杂变量之间的高度非线性及尾部特性等方面具有很好的性能，而且在构建多变量相关结构上的更强的灵活性。为了深入挖掘变量间的复杂相关性结构，构建过程变量的统计模型实现对复杂化工过程的实时监控，本文提出了基于D-Vine Copulas混合模型(MD-Vine)的故障检测方法。该模型将D-Vine Copula与有限元混合模型相结合，通过期望最大化(EM)算法和伪极大似然估计(PMLE)优化混合模型参数。然后基于得到的分布模型构建了广义贝叶斯推断概率(GBIP)监测指标实现对故障的实时监测。此外，为了解决MD-Vine模型的计算复杂度高、优化耗时等问题，采用了逐步半参数估计方法(SSPE)对混合模型的参数优化部分进行改进，并分析了不同D-Vine元个数的混合模型对过程监测效果的影响。通过与传统过程监控方法在TE仿真平台数据上的对比，发现改进后的方法对于高维复杂化工过程在监测效果和计算复杂度方面均体现出明显的优势，表明了该方法的有效性及实用性。