论文部分内容阅读
为了保障现代工业系统的长期安全可靠运行，对流程工业的过程监控受到广泛关注。随着大数据时代的到来，基于数据驱动的过程监控方法，特别是基于多元统计分析的过程监控（Multivariate Statistical Process Monitoring，MSPM）方法发展迅速，已成为工业过程监控领域的重要研究方向。概率主元分析(Probabilistic Principal Component Analysis，PPCA)通过统计概率的方式来描述过程变量，能够实现有效的故障检测。 虽然目前对于PPCA的研究成果层出不穷，但依然存在一些问题有待进一步研究，例如，如何避免潜在的信息丢失问题、如何处理多模态过程监控问题等。本文从如何有效避免信息分散以及信息被压制的角度出发，分别针对单模态和多模态工业过程，对传统PPCA方法进行了研究和改进。具体工作如下: (1)针对PPCA过程监控中存在的有用信息分散、有用信息被压制以及有用信息丢失的问题，本文提出一种基于监控空间重构和熵值法加权策略的PPCA(EMW-PPCA)过程监控方法。基于监控空间重构的方法通过在线挑选故障相关的噪声因子来集中尽可能多的故障信息;基于熵值法加权策略的方法实时衡量新的监控空间中的各个新主元的重要性，进而对新主元进行客观赋权来突出强调故障信息。由于避免了故障相关信息的分散以及故障信息被大量无用信息所覆盖，该方法有效解决了监控过程中有用信息丢失的问题，从而提升了PPCA的故障检测和故障诊断能力。 (2)针对基于PPCA的多模态过程监控中存在的有用信息丢失的问题，本文提出了一种基于联合概率密度和变异系数加权策略的PPCA(CV-WPPCA)多模态过程监控方法。基于联合概率密度的模态识别方法将实时测量得到的各个概率主元方向上的T2统计量转化为对应的概率密度，通过对各个模态上的联合概率密度进行比较从而得到当前运行的模态。在当前运行模态上利用基于CV-WPPCA的监控方法来集中并突出过程中的故障相关信息，从而改善了基于PPCA的多模态过程监控性能。