基於模式識別的動態過程質量監控與診斷

《基於模式識別的動態過程質量監控與診斷》是依託鄭州大學，由劉玉敏擔任項目負責人的面上項目。

基本介紹

• 中文名：基於模式識別的動態過程質量監控與診斷
• 項目類別：面上項目
• 項目負責人：劉玉敏
• 依託單位：鄭州大學

項目摘要

本項目針對複雜動態過程難以建立精確的過程模型和採用統計質量控制技術進行實時質量診斷的局限性，研究基於模式識別的動態過程質量監控與診斷方法。首先，將根據動態過程的離線測量數據確定動態數據流的質量異常模式；其次，開展適用於分析質量異常模式的小波變換算法研究，並基於該算法設計出自適應特徵提取算法，其中要解決的關鍵問題是如何提高特徵提取算法精度並降低特徵維數；進而針對不同異常模式的特徵，基於小波變換的異常檢測方法，設計小波變換與最近鄰分類器、神經網路、支持向量機相結合的多個子分類器，建立自適應特徵分類算法。最後，在綜合分析子分類器對各種質量異常模式的識別結果的基礎上，確定動態過程的質量診斷準則，提供動態過程實時質量監控與診斷方法。本項目的研究結果不僅為石油、化工等過程工業和捲菸生產過程等自動化製造過程提供實時質量監控與故障診斷技術，而且為其他行業的動態過程提供線上質量監控的理論依據和分析途徑。

結題摘要

本項目針對難以建立精確過程模型或利用統計質量控制技術無法進行實時質量診斷的複雜動態過程，系統地研究了基於模式識別的實時質量監控與診斷方法。首先，依據離線收集動態過程測量數據流的變化特性，將動態數據流呈現出的正常、周期、階躍等六種模式界定為動態過程質量模式。其次，針對如何提高特徵提取算法精度並降低特徵維數，分別套用小波變換、主成分分析等方法研究了動態過程質量模式的特徵提取算法。而後，在特徵提取算法的研究基礎上，設計了人工神經網路與支持向量機相結合的多類別分類器，建立了動態過程線上智慧型監控模型。最後，將線上監控模型與基於規則的專家知識庫相結合，利用過程質量異常模式的類別及關鍵參數與診斷規則的匹配實現動態過程實時質量監控與診斷，形成了動態過程線上智慧型診斷框架。項目研究發現將小波變換特徵提取方法與形狀特徵提取、主成分分析特徵提取方法相結合，提取出的數據特徵不僅數據維度低且細節信息強，有效解決了單獨套用小波變換進行特徵提取隨分解層數的增加細節信息缺失嚴重的問題。另外，通過提取合適的數據特徵將神經網路與支持向量機兩種不同類型的分類器進行結合大大降低了動態過程質量模式識別模型構建的複雜度，提升了線上智慧型監控的效率。本項目的研究成果已成功套用於捲菸、精密軸自動化生產過程實時質量智慧型監控與診斷，所提的監控模型與診斷框架也將為石油、化工等過程工業，股市、期貨等金融市場的動態過程提供線上監控的理論依據和分析途徑。