动态过程数据的多变量统计监控方法研究

摘要

本文研究的统计监控方法属于过程系统工程中的多变量统计过程控制(MultivariateStatisticalProcessControl，MSPC)领域，是一类既可离线分析又可在线实施的数据驱动(Data-driven)的方法。由于过程复杂的内在机制、各种随机噪声和干扰的存在、闭环控制器的广泛采用以及实时监控的要求，过程数据往往都存在着与时间相关的动态性，但是对于复杂的多变量系统要建立准确的动态模型十分困难，对于这种动态过程数据的多变量统计监控的是个非常有挑战性的问题。多变量统计监控从目的上来说，与常规的系统辨识、滤波或控制方法需要基于比较准确的动态系统模型来进行推断不同，只是侧重于对反映系统变动的统计指标的描述，籍此本文主要研究了与动态过程数据监控相关的非模型方法，这类方法从统计和统计学习的角度，结合了多元统计分析、质量控制、动态性质的描述和时频变换来完成对动态过程数据的多变量统计监控，避免复杂的模型参数的确定，本文的主要研究工作包括： (1)针对常规MSPC方法在故障检测、故障变量辨识和故障识别中的难点，提出了多元特征提取方法与基于支持向量机(SupportVectorMachine，SVM)的一类分类器设计、特征选择以及多类分类器设计方法相结合的一种完整的改进MSPC方法，其中故障检测方法去除了特征满足特定分布的假设前提，并可确定多个统计量的控制限；故障变量辨识方法中综合考虑了故障对于各个变量大小的影响以及变量变化对于故障分类的重要性，提高了关键变量选择的准确性；而故障识别方法是基于SVM对故障特征分类的优良特性，避免了传统判别法中经验准则的引入。上述方法在标准仿真问题TennesseeEastman过程上结合主兀分析(PrincipalComponentAnalysis，PCA)方法进行了应用，结果显示了其有效性； (2)探讨了动态多变量数据在样本不独立且不满足正态分布的情况下的控制图修正方法，首先指出了用非参数方法调整控制限或者构建考虑了自相关特性的统计量的常规方法，在此基础上结合具有记忆效应的指数加权移动平均(ExponentiallyWeightedMovingAverage，EWMA)控制图和滑动块白举(MovingBlocksBootstrap，MBB)控制图处理自相关数据的优点，提出了一种改进的滑动块自举法eMBB(EWMA-MovingBlocksBootstrap，eMBB)，该方法首先采用特征提取算法获得隐变量，然后构造新的eMBB自举统计量，以适应更广泛的动态情形。仿真算例表明，对于弱自相关数据、特别是在样本数不大的情况下，只要参数选择得当，MBB和eMBB法比常规方法具有更合理的经验平均运行长度，而eMBB与MBB法相比，其经验平均运行长度更接近于理论值； (3)针对动态系统模型难以获取，以提高统计监控性能为目标，对现行的动态隐变量法进行了深入研究。首先指出动态隐变量可包含更多的动态信息，但仍具有自(互)相关，为此提出了采用修正控制图的方法对动态隐变量空间进行检测，而对于自相关不显著的残差空间，指出可按照传统方法或是非参数方法建立控制图；接着将过程知识和经验受控平均运行长度的检验考虑在内，给出了一种时滞变量和时滞长度的确定方法；最后，提出了一种根据残差累积和以及递归特征消除算法(RecursiveFeatureElimination，RFE)进行故障变量辨识的方法。通过在两个标准仿真问题上的应用，表明了上述方法的性质及其有效性； (4)针对过程数据存在的自相关和多尺度特性，在基本多尺度主元分析(MultiscalePrincipalComponentAnalysis，MSPCA)的基础上，探讨了基于时频变换的方法在多变量动态过程数据中的应用。首先，指出离散小波变换适于分析动态数据的重要性质，讨论了MSPCA方法的尺度特征性质，并分析了该方法可以代替基于离散傅里叶变换的传统频谱PCA方法的原因；然后在故障检测中，提出了一种针对突变故障和具有稳定尺度特征的故障的检测方法，完善了MSPCA方法对于故障检测的策略；在故障识别中，对于具有稳定尺度特征的故障，提出了一种采用PCA方法提取尺度特征并采用SVM进行故障识别的方法。通过在连续搅拌反应器(ContinuousStirredTankReactor,CSTR)仿真过程上的应用，表明了上述方法的性质及其有效性； (5)探讨了相关章节中各种方法的集成及其与其它各种统计监控方法的融合，建立了统计监控的方法体系，并对统计监控方法在工业实施中的要点进行了分析，最后给出了某工业流化床反应器的监控系统的设计和实施方法，并利用实际工业数据建立了其结块监视的统计监控模型。

目录

文摘

英文文摘

致谢

第一章绪论

1.1相关领域

1.1.1动态过程数据的含义

1.1.2 MSPC方法的含义

1.2研究现状

1.2.1故障检测方法综述

1.2.2故障诊断方法综述

1.3本文的内容

1.3.1前提条件

1.3.2研究内容和论文结构

第二章基础知识

2.1引言

2.2特征提取算法

2.2.1主元分析

2.2.2偏最小二乘

2.2.3典型变量分析

2.2.4独立成分分析

2.3特征分析方法

2.3.1故障检测

2.3.2故障变量辨识

2.3.3故障识别

2.4随机信号和协方差矩阵

2.5动态过程数据监控的非模型法

2.5.1控制图修正的方法

2.5.2基于动态隐变量的方法

2.5.3基于小波变换的方法

第三章基于支持向量机的方法

3.1引言

3.2支持向量机的基本理论

3.3方法描述

3.3.1故障检测方法

3.3.2故障变量辨识方法

3.3.3故障识别方法

3.4仿真应用

3.4.1故障检测

3.4.2故障变量辨识

3.4.3故障识别

3.5本章小结

第四章控制图修正的方法

4.1引言

4.2常规方法

4.2.1经验参考分布法

4.2.2自举控制图

4.2.3 CUSUM和EWMA控制图

4.3改进的多变量移动块自举法

4.3.1方法描述

4.3.2评价原则

4.4仿真应用

4.4.1参数选择

4.4.2方法比较

4.4本章小结

第五章基于动态隐变量的方法

5.1引言

5.2方法描述

5.2.1特征空间的性质和检测方法

5.2.2时滞变量和时滞长度的选择

5.2.3故障变量辨识

5.3仿真研究

5.3.1标准的多元动态过程

5.3.2双效蒸发过程

5.4本章小结

符号说明

第六章基于时频变换的方法

6.1引言

6.2时频变换的基本理论

6.2.1离散傅里叶变换

6.2.2离散小波变换

6.3基于尺度特征的故障检测和识别

6.3.1尺度特征的性质分析

6.3.2基于尺度特征的故障检测

6.3.3基于尺度特征的故障识别

6.4仿真研究

6.4.1 CSTR过程简介

6.4.2解自相关的校验

6.4.3故障检测与识别

6.5本章小结

第七章方法的集成和工业实施

7.1引言

7.2方法集成和融合

7.2.1动态方法的集成

7.2.2方法的融合

7.3工业实施

7.4某LLDPE装置的监控系统设计

7.4.1监控系统的总体框架

7.4.2反应器结块的统计监视模型

7.5本章小结

第八章结束语

8.1研究工作总结

8.2研究展望

参考文献

重要名词及其索引

作者攻读博士学位期间发表和参与完成的学术论文

作者攻读博士学位期间参与的科研项目

作者简介