基于局部-全局结构分析的统计过程监测方法研究

摘要

过程监测技术是工业过程综合自动化技术的重要组成部分。一方面它可以减少过程波动，提高生产质量，避免恶性事故的发生，另一方面也为后续的控制、决策、调度等高层次自动化技术奠定了基础。其中，多变量统计过程监测方法(MSPC)由于不依赖于过程模型，在工业过程日益复杂的今天受到了学术界和工业界的广泛关注。
　　 以主元分析(PCA)为代表的传统多变量统计过程监测方法，主要针对的是采样数据变量空间和样本空间里的全局特征，没有考虑其局部特征，因此造成了信息的丢失。为了进一步提高MSPC方法的性能，本文从变量空间和样本空间这两个角度出发，提出了局部-全局结构分析的概念、框架及相关算法，具体包括：
　　 (1)提出了变量空间上的局部-全局结构分析框架。首先阐述了在变量空间上进行局部结构分析的优势，提出了一种基于独立元贡献度的子空间划分及故障检测方法，通过划分原始变量空间，建立子空间上的检测模型，有效地提高了对故障的检测能力。在此基础上，将其推广至集成学习的范畴，提出了一种基于集成学习算法的局部-全局结构分析框架与原理，提出了新的集成学习算法ICSM，并针对故障检测的特点，提出了新的集成策略，构造了集成监测统计量，获得了对变量空间局部和全局结构特征的描述。仿真验证了该方法具有更满意的故障检测效果。
　　 (2)将样本空间局部结构保持算法应用于动态过程故障检测，提出了一种动态局部保持投影(DLPP)新算法。相比PCA算法，局部保持投影(LPP)从样本空间的局部结构出发，降维后可有效地保持数据中潜在的流形结构，具有更好的特征提取能力。因此将LPP和动态矩阵结合构造的动态LPP新算法比现有的动态PCA具有更好的监测效果。
　　 (3)提出了样本空间上的局部-全局结构分析框架。数据的样本空间里包含了丰富的结构信息，而对这些结构信息的表示和保持，是影响过程监测算法性能的重要因素。PCA算法在提取样本空间结构特征时只考虑了整体结构，而流形学习算法(如LPP)主要关注的是样本空间的局部结构信息。在综合考虑了PCA和LPP算法的优点和不足后，提出了样本空间局部-全局分析框架，并在该框架下把PCA和LPP算法统一了起来。据此构建了新的优化目标，给出了平衡局部/全局结构的策略及计算方法，使投影得到的低维空间不仅和原始数据空间有相似的局部结构，而且有相似的整体结构，因而包含了更全面的特征信息。在此基础上，通过Bayesian推理方法构建了故障识别策略。Tennessee Eastman(TE)模型上的仿真研究，表明了新框架下的算法具有优于PCA和LPP的性能。
　　 (4)针对局部-全局结构分析框架下可能遇到的噪声以及潜隐变量选择问题，以PCA为例，提出一种基于贝叶斯主元分析(BPCA)的故障检测方法。通过一个超参数对投影矩阵各个方向上的分布进行先验假设，再使用期望极大方法估计出其分布，给出了各个方向上潜隐变量的概率含义，从而自动确定了合适的潜隐变量个数。相比现有处理噪声问题的概率主元分析(PPCA)、因子分析(FA)算法，新方法不仅可以自动确定潜隐变量个数，而且提高了故障检测效果，同时还避免了过拟合问题的出现。在TE模型上的仿真实验很好的验证了BPCA理论的正确性及相关故障检测算法的有效性。
　　 最后，对全文进行了总结，并探讨了有待进一步研究的课题。