概率PCA多元统计方法在过程监控中的应用研究

论文摘要

在长期的运行中,生产过程不可避免会发生一些变化,可能影响产品质量,甚至造成重大事故,完全依靠人力的传统监控方法已不足以解决复杂的质量控制问题。统计过程监控方法不需要复杂的机理模型,通过统计方法提取过程数据的重要信息,并将其量化为几个统计监控指标便可实现对过程的监控,充分利用过程的已有信息,可实现性强,历经三十多年的发展,统计过程监控方法已经取得了一系列令人瞩目的成果,并在现代过程工业中得到了广泛的应用。概率主元分析(PPCA)通过期望最大化(EM)算法建立过程的生成模型,确定主元和误差的概率函数,能实现有效的故障检测和故障识别,得到工业界和学术界的广泛关注。但是基于PPCA的监控方法的应用前提是过程变量之间满足线性关系,并且不存在自相关,然而大多数实际工业过程往往无法满足这些条件,使基于PPCA的监控方法得不到理想的效果。本文针对基于PPCA过程监控的缺点,主要做了以下几方面的工作:1.提出基于PPCA的改进监控方法,直接对所有过程变量白化值的范数进行监控,并通过对每个过程变量的白化值监控实现在线故障识别,减少了监控量。将其应用于化工吸附分离过程,与基于PCA的监控的方法作了比较。2.解决具有较强动态特性的工业生产过程的监控问题,提出了动态概率主元分析法,对经过时间序列扩展后的变量数据阵,通过EM算法建立生成模型,从而将静态PPCA推广到动态多变量过程,有效消除了过程变量的自相关关系。3.在非线性过程的监控方面,提出基于动态核概率主元分析法,利用核函数将经过压缩的动态增广数据阵映射到高维空间,然后利用PPCA方法对满足线性关系的过程变量进行处理,通过连续重整加热炉系统的应用研究表明该方法有好的监控性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 过程监控的对象及基本概念
• 1.2.1 过程监控的对象
• 1.2.2 过程监控的一些基本概念
• 1.3 过程监控方法分类
• 1.3.1 基于解析模型的方法
• 1.3.2 基于知识的方法
• 1.3.3 基于信号处理的方法
• 1.4 统计过程监控的研究现状
• 1.4.1 单变量统计过程控制
• 1.4.2 多变量统计过程控制
• 1.5 概率主元分析法的基本思想及应用
• 1.6 本文的结构
• 第二章 PCA 和PPCA 在化工分离过程监控中的应用比较
• 2.1 引言
• 2.2 基于PCA 的统计过程监控
• 2.2.1 PCA 算法
• 2.2.2 主元个数的确定
• 2.2.3 基于PCA 的过程监控
• 2.2.4 对过程的初步故障诊断
• 2.3 基于PPCA 的统计过程监控
• 2.3.1 PPCA 模型及主元
• 2.3.2 基于PPCA 的监控方法
• 2.3.3 基于PPCA 的改进监控方法
• 2.4 应用实例
• 2.4.1 化工吸附分离过程工艺流程简介
• 2.4.2 PCA 和PPCA 的应用比较
• 2.5 本章小结
• 第三章 基于动态概率主元分析的统计过程监控
• 3.1 引言
• 3.2 自相关和互相关
• 3.3 动态概率主元分析模型建立
• 3.3.1 DPPCA 模型
• 3.3.2 ST 统计量及控制限的确定
• 3.4 仿真研究
• 3.4.1 田纳西-伊斯曼过程
• 3.4.2 过程数据的自相关分析
• 3.4.3 故障4 的个案研究
• 3.4.4 故障11 的个案研究
• 3.5 本章小结
• 第四章 动态核概率主元分析模型建立及其应用研究
• 4.1 引言
• 4.2 核概率主元分析
• 4.3 动态核概率主元分析
• 4.3.1 动态KPPCA 模型
• 4.3.2 动态KPPCA 过程监控及分析
• 4.3.3 动态KPPCA 监控步骤
• 4.4 动态KPPCA 的应用研究
• 4.5 本章小结
• 第五章 总结和展望
• 5.1 本文小结
• 5.2 未来工作的展望
• 致谢
• 参考文献
• 附录：攻读硕士阶段已发表的论文