基于混合PCA模型的多工况过程统计监测研究

论文摘要

现代工业中,如何保证生产安全、提高产品质量具有重要的研究价值。过程监测技术正是在这一背景下产生的。对于流程工业而言,精确的数学机理模型和完备的专家知识往往很难得到,造成了基于数学模型和基于知识的过程监测方法通常难以实际应用的局面。随着集散控制系统（DCS）和各种智能化仪表在流程工业中的广泛使用,大量的过程数据被采集并存储起来,因此基于数据驱动的多变量统计过程监测方法在过去的十几年中得到了长足的发展。由于其不需要建立过程的机理模型,也不需要先验知识,通用性较强,近年来已成为过程监测领域的研究热点。本文在分析总结国内外研究成果的基础上,针对多工况过程监测开展了以下几方面的研究工作：（1）针对高斯混合模型（GMM）因变量相关而出现数据协方差矩阵奇异的问题,提出了一种基于混合PCA模型的多工况过程监测方法。通过对混合模型中各高斯分量的协方差矩阵进行PCA降维,既避免了协方差矩阵出现奇异又减少了运算量。（2）针对常规EM算法不能自动求取混合模型分量数目的不足,引入了F-J算法和贝叶斯阴阳算法来自动判别分量数目。通过数值实验详细比较、分析了这两种算法对混合模型分量数目的识别率和平均运行时间。（3）将所提出的方法分别用于CSTH （continuous stirred tank heater）过程和标准测试平台TE （Tennessee Eastman）过程,并与传统的PCA方法和基于GMM的方法进行了比较。结果显示该方法在故障检测率和时延性方面都要明显优于传统的PCA方法。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.2 过程监测的研究方法
• 1.2.1 基于定量数学模型的方法
• 1.2.2 基于知识的方法
• 1.2.3 基于数据驱动的方法
• 1.3 统计过程监测的发展历程
• 1.3.1 单变量统计过程监测
• 1.3.2 多变量统计过程监测
• 1.3.3 基于PCA的过程监测方法
• 1.3.4 多变量统计过程监测方法存在的问题
• 1.4 多工况统计过程监测的研究现状
• 1.5 本文的研究内容和组织结构
• 1.5.1 研究内容
• 1.5.2 组织结构
• 第2章 基于混合PCA模型的多工况过程监测
• 2.1 引言
• 2.2 高斯混合模型
• 2.2.1 单一高斯概率密度函数
• 2.2.2 高斯混合密度函数
• 2.3 EM算法
• 2.3.1 极大似然估计方法
• 2.3.2 针对GMM的EM算法
• 2.4 基于高斯混合模型的监测方法
• 2.5 混合PCA模型
• 2.6 基于混合PCA模型的监测方法
• 2.6.1 针对混合PCA模型的EM算法
• 2.6.2 监控统计量的选取
• 2.7 小结
• 第3章 混合模型分量数目估计方法比较研究
• 3.1 引言
• 3.2 F-J算法
• 3.3 贝叶斯阴阳算法
• 3.4 算法比较研究
• 3.5 小结
• 第4章 CSTH过程和TE过程仿真研究
• 4.1 引言
• 4.2 CSTH过程仿真研究
• 4.2.1 CSTH过程简介
• 4.2.2 CSTH过程仿真
• 4.2.3 CSTH过程仿真结果分析
• 4.3 TE过程仿真研究
• 4.3.1 TE过程简介
• 4.3.2 TE过程仿真
• 4.3.3 TE过程仿真结果分析
• 4.4 小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 攻读硕士学位期间取得的科研成果
• 作者简介