基於多元統計方法的間歇過程監控與故障診斷研究

《基於多元統計方法的間歇過程監控與故障診斷研究》是依託北京工業大學，由王普擔任項目負責人的面上項目。

基本介紹

• 中文名：基於多元統計方法的間歇過程監控與故障診斷研究
• 項目類別：面上項目
• 項目負責人：王普
• 依託單位：北京工業大學

項目摘要

現代流程工業正逐漸倚重於生產小批量、多品種、高附加值產品的間歇過程，基於多元統計模型的過程監控是保障生產安全和產品質量的重要工具。但由於間歇過程的複雜特性和產品質量極易受到不確定性因素的影響等，使得多元統計方法在間歇過程監控和故障診斷中還處於起步階段，存在許多問題，具有廣闊的研究空間。因此，本課題針對間歇過程存在的多階段性、非線性及數據分布的非高斯性等特點，提出一套完整的基於MKICA-PCA的多階段間歇過程監控與故障診斷新策略。研究基於數據矩陣相似度的模糊軟過渡階段劃分算法，為分階段建立統計模型奠定基礎；研究一種新的MKICA-PCA的監控方法，解決具有非線性、非高斯分布的間歇過程監控問題；研究一種基於重構的非線性故障辨識方法用於進一步實現故障的定位與診斷。利用理論、仿真實驗和現場實驗對上述方法進行驗證，並不斷完善該方法，使之能夠達到保證生產安全和提高產品質量的目標。

結題摘要

間歇式生產是精細化工、生物製藥和食品行業中的主要生產方式，鑒於其在生產生活中的重要地位，以及日益凸顯的安全性問題，使人們對過程的安全性和可靠性越來越重視。數據驅動的多元統計方法無需考慮過程機理，可通過對歷史數據的建模分析快速準確地捕捉到生產過程中的異常工況，進而追溯異常變數。但由於間歇過程的複雜特性以及產品質量極易受到不確定因素影響，使得傳統基於數據驅動的多元統計算法在用於過程監控時仍存在諸多難題。因此，本課題針對間歇過程數據固有的多階段性、非線性以及非高斯性等特點，提出一套基於數據驅動的故障監控與診斷新策略。具體內容如下： ⑴提出模糊聚類軟劃分算法 對批次不等長、過渡階段建模和過程數據相似度進行研究，提出基於數據矩陣相似度的模糊聚類軟過渡劃分算法，以解決多操作模式下三維過程數據的階段劃分問題。對於階段的辨識，依據數據不同特點，研究了高斯混合模型聚類、模糊C均值聚類和仿射傳播聚類等分類方法，取得了多項研究成果。 ⑵實現多階段MKICA-PCA間ajax-filedownloa歇過程監控算法 首先，通過分離過程數據中的高斯信號和非高斯信號，提出MICA-PCA策略，解決多變數非完全高斯分布問題；之後，進一步研究基於核映射的KICA與PCA的結合，提出MKICA-PCA監控算法，解決過程數據的非線性問題；最後，通過PSO 最佳化的Fast ICA方法提取非高斯獨立元，解決ICA算法對初值敏感和獨立元個數須事先指定的缺陷。 ⑶提出基於重構的非線性故障辨識方法 統計過程監控涉及故障檢測、估計、識別與診斷。當監控統計量超限，指示故障發生時，應快速識別異常變數。因此，針對傳統重構的故障診斷策略不適用非線性系統的問題，引入核函式，研究基於非線性重構的故障診斷方法。在此基礎上，提出基於質心向量的非線性貢獻圖方法，避免核空間映射問題，解決了傳統貢獻圖不適於核映射方法的缺陷。 ⑷動態性消除及KECA用於間歇過程監控的延伸研究 對測量變數動態性無法滿足傳統數據驅動方法建模的局限性進行探索與研究，將單變數過程的時間序列分析推廣到多變數情形，建立多變數AR模型消除過程動態對監控性能的影響。此外，課題組首次提出基於KECA的間歇過程故障監控算法。KECA依據核熵的大小對數據進行降維，降維後數據分布與原點成一定的角度結構，不同特徵信息呈現出顯著的角度信息，用於狀態監測效果更佳。