论文部分内容阅读
日益激烈的市场竞争使工业过程对生产安全、生产效率、产品质量、能耗水平等指标要求很高。如何使工业过程持续稳定的正常工作是保证生产安全与提高生产效率必需解决的问题。因此,过程监测具有重要的实践意义和理论研究价值。分布式控制系统(Distributed Control System,DCS)等技术广泛应用于过程工业中,使得工业过程中能够测量和储存的数据信息越来越多。然而要得到精确描述机理的模型却很难;如何从海量的过程数据中提取出能用于监测过程运行状态的有用信息已成为迫切需要解决的问题。众多学者投入研究解决这类问题,因此,基于数据驱动的过程监测飞速发展。特别是多元统计过程监测方法(Multivariate Statistical Process Monitoring,MSPM)受到了研究人员的普遍关注,是现如今过程监测的研究热点之一。虽然有关MSPM的研究成果层出不穷,但MSPM方法仍在发展中,有很多问题需要进一步讨论和解决,例如:如何选择有效的特征成分,以避免变异特征信息被分散;如何处理过程数据变量高度非线性的问题等。本文在前人研究工作的基础上,针对这些问题,提出了自适应主成分分析方法(Adaptive Principal Component Analysis,APCA)和自适应核主成分分析方法(Adaptive Kernel Principal Component Analysis,AKPCA)。针对主成分分析方法(Principal Component Analysis,PCA)应用于过程监测时主观地选择主成分会引起故障相关信息被分散的问题,提出一种在线自适应挑选主成分的方法即APCA。APCA方法首先通过核密度估计法计算出在线核主成分的变异概率,挑选变异概率最大的主成分为主导变异主成分(Dominant Variation Principal Component,DV-PC);载荷向量相似的主成分具有相似的变异特征,因此通过计算载荷向量间欧式距离的倒数衡量核主成分之间的相似性;选取与DV-PC相似性较强的主成分作为非主导变异主成分(Non-Dominant Variation Principal Component,NDV-PC);将DV-PC和NDV-PC合并为自适应主成分(Adaptive Principal Component,APC),利用APC构造T~2统计量进行监测;最后将APCA应用到数值仿真与田纳西伊斯曼(Tennessee Eastman,TE)过程中以验证其有效性。针对基于核主成分分析方法(Kernel Principal Component Analysis,KPCA)的非线性过程监测中有效信息被分散的问题,提出一种在线自适应挑选核主成分的方法即AKPCA;AKPCA方法可以在线选择可能具有变异特征的核主成分进行过程监测。首先,通过核密度估计计算出在线核主成分的变异概率,挑选变异概率最高的核主成分作为主导变异核主成分(Dominant Variation Kernel Principal Component,DV-KPC)。然后通过其余核主成分与DV-KPC的互信息值来代表他们的相似性;互信息值越大,相似性就越强;选取互信息值大于平均值的核主成分作为非主导变异核主成分(Non-Dominant Variation Kernel Principal Component,NDV-KPC);DV-KPC和NDV-KPC构成自适应核主成分(Adaptive Kernel Principal Component,AKPC);并利用AKPC构造T ~2统计量进行过程监测;最后,在数值仿真与TE过程中验证其有效性。