基于数据的多模式工业过程监测方法研究

论文摘要

在工业过程监测中,尽可能早的检测到过程异常变化和降低误报是十分必要的。主元分析等多元统计过程监测方法,已广泛地用于解决这类问题。然而,由于工业过程往往具有多种工作模式,不同工作模式下的过程数据呈现不同统计特性,多模式过程监测问题得到广泛研究。此外,实际工业过程数据往往具有缓变性和非线性特性。针对上述问题,本文主要做了以下研究工作：(1)在现有相关技术和方法基础上,提出了一种新的多模式过程监测分析方法用于多模式工业过程故障检测问题。本方法的基本思想是从多模式的角度分析并提取不同模式数据之间公共的变化特性信息。公共部分信息反映多模式共有变化的特性。将每个模式特殊信息部分与公共信息部分区分开,并分别建立主元分析(PCA)模型。将多元指数加权移动平均(MEWMA)应用到方法中提高模型跟踪过程动态性。通过对多模式公共与特殊分别监测分析,可以识别出当前数据所在的模式。当工作模式切换时,只需将公共模型和相应的特殊部分模型组合监测。此外,本方法与传统方法应用到连续退火多模式工业过程监测仿真结果表明,该方法能降低误报和提高故障检测的准确性。可以有效地对检测出多模式过程的故障,具有良好检测效果。(2)由于多模式工业过程往往具有较强的非线性特征,而传统主元分析等方法在非线性多模式工业过程中的监测效果不理想。因此,将应用非线性核函数方法,提出非线性核多模式过程监测方法,以改善对多模式非线性数据的故障检测处理能力,通过电熔镁炉工作过程实例的仿真结果表明,所提出非线性核多模式过程监测方法可获得过程的动态非线性特性,用于多模式过程监测可降低运行过程的误警现象,且能较早地检测出故障,证明了该方法的有效性和可行性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 过程监测技术简介
• 1.2.1 过程监测技术概述
• 1.2.2 统计过程监测与多元统计过程监测
• 1.3 国内外研究现状与发展趋势
• 1.4 本文所做工作
• 第2章 基于数据的过程监测方法
• 2.1 主元分析方法
• 2.1.1 主元分析建模
• 2.1.2 基于主元分析的过程监测
• 2.2 KPCA核函数方法
• 2.2.1 核函数（Kernel Function）简介
• 2.2.2 核主元分析
• 2.3 多变量指数加权移动平均（MEWMA）
• 2.4 本章小结
• 第3章 基于提取公共特性的多模式过程监测方法
• 3.1 多模式工业过程监测方法
• 3.2 提取公共特性的多模式过程监测方法
• 3.2.1 提取多模式公共基础信息建立模型
• 3.2.2 将MEWMA引入多模式过程监测方法
• 3.2.3 提取公共特性多模式过程监测方法在线监测
• 3.3 仿真研究和结果分析
• 3.3.1 连续退火过程
• 3.3.2 仿真结果分析
• 3.4 本章小结
• 第4章 非线性核多模式过程监测方法
• 4.1 非线性核多模式过程监测方法
• 4.1.1 非线性核多模式过程监测法离线建模
• 4.1.2 非线性核多模式方法与MEWMA结合
• 4.1.3 非线性核多模式过程监测方法在线监测
• 4.2 仿真研究和结果分析
• 4.2.1 电熔镁炉工作过程
• 4.2.2 仿真结果分析
• 4.3 本章小结
• 第5章 总结与展望
• 5.1 本文总结
• 5.2 工作展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文