多变量统计过程监控

摘要

传统的统计过程监控是基于单变量统计控制方法。单变量统计控制只能检测单一测量变量的变化，而不能有效地提供关于多个变量相互作用的信息。另外，单变量统计过程控制也不适用于间歇过程。 多变量统计过程监控通过对过程进行有效地监控，能及早发现过程中的故障隐患，从而提高过程运行的安全性。 本文对多尺度主元分析进行了一种改进，并将其分别应用于连续生产过程和间歇生产过程之中。完成的具体工作如下： 1、过程数据的预处理(滤波)部分在小波分析的基础上，借助Matlab语言中小波工具箱的基本算法，详细讨论了基于阈值决策的小波消噪方法及其应用。在此基础上，实现小波滤波在线化，并应用于仿真信号之中。 2、MSPCA及MSPCA改进算法在连续生产过程之中的应用和比较MSPCA方法在生产过程监控方面有着广泛地应用。本文在研究该方法的基础之上，提出了一些改进，在其进行小波分解后即对其小波系数进行阈值处理，使小波消噪与MSPCA方法合为一体，并运用统计控制图中的平方预测误差(SPE)图方法检测引起过程变化或故障的过程变量。在保证其MSPCA算法复杂度不变的前提下，能够消除数据的噪声污染，使故障诊断的误报大为减少。 3、MPCA方法在间歇生产过程中的应用多向主元分析方法在间歇过程中应用广泛，既简化了多维数据结构的分析，同时又解决了间歇过程统计控制的特殊性问题。本文将多尺度主元分析方法与多向主元分析方法相结合，并应用于间歇生产过程之中。 4、多模型PCA方法在间歇生产过程中的应用当生产过程历经几个不同的阶段时，并且每个阶段变量之间的关系不同时，多变量统计置信界限将不再适合所有的阶段。这样会导致故障数据被误认为正常，使监测系统的漏报率提高。此时，就要针对每一个不同的阶段建立模型。本文中首先利用聚类方法中的K均值方法对样本按照不同阶段进行聚类分析，然后对分类后的样本进行主元分析，并和单一主元分析进行了比较。

目录

文摘

英文文摘

声明

第一章绪论

1.1统计过程控制概述

1.2多变量统计过程概述

1.3统计过程监控在故障检测和故障诊断中的位置

1.4统计过程监控的基本方法：

1.4.1部分最小二乘(PLS)

1.4.2主元分析方法(PCA)

1.5改进的多变量统计过程监控方法

1.5.1动态过程监控

1.5.2多阶段过程监控

1.5.3时变和多工况过程监控

1.5.4非正态过程监控

1.5.5非线性过程监控

1.5.6间歇过程监控

1.6统计质量监控的研究现状

第二章小波分析应用于信号预处理

2.1工业过程信号的特点

2.2小波消噪的基本原理

2.3基于阈值决策的小波消噪算法的实现

2.3.1小波基的选择

2.3.2阈值的选择

2.3.3噪声标准差σ的估计

2.3.4小波系数硬阈值、软阈值处理

2.4小波消噪的在线实现

2.4.1在线多尺度消噪的特点

2.4.2在线算法的具体步骤与实例应用

2.5本章小结

第三章多变量统计过程控制

3.1单变量统计过程控制及其局限性

3.2主元模型

3.3多变量统计控制图

3.4控制限的确定

第四章多尺度主元分析方法及其改进方法

4.1主元分析方法介绍

4.1.1主元分析主要思想

4.1.2主元的计算

4.1.3主元数量的确定

4.1.4主元分析的类推

4.2多尺度主元分析方法理论基础

4.3 MSPCA改进方法及其步骤

4.4改进的MSPCA算法与MSPCA算法的比较检验

4.5改进的MSPCA算法对故障信息的检验

4.6本章小结

第五章多变量统计过程监控在间歇生产过程中的应用

5.1间歇生产过程叙述

5.2间歇生产过程中的一些方法

5.3多向主元分析(MPCA)

5.4仿真试验

5.5本章小结

第六章多模型与聚类方法

6.1多模型的建立

6.2聚类方法介绍

6.2.1聚类方法及其分类

6.2.2 K-均值方法的介绍

6.3过程检测的实现

6.4仿真试验

6.5本章小结

第七章结论

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介