《複雜非線性過程潛在初始故障的監測方法研究》是依託上海套用技術大學，由王麗擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：複雜非線性過程潛在初始故障的監測方法研究
- 項目類別：青年科學基金項目
- 項目負責人：王麗
- 依託單位：上海套用技術大學
項目摘要,結題摘要,
項目摘要
核偏最小二乘（KPLS）是非線性過程監測的傳統方法，與核主元分析（KPCA）方法相比，不僅考慮了過程操作變數也同時考慮了質量變數所發生的異常對過程狀態的影響。但當過程出現潛在的初始故障及由於協方差結構發生變化而導致的過程異常時，KPLS可能失效。針對這個問題，本項目擬將統計局部方法（SLA）融入到KPLS監測的框架中，提出一種新的基於改進的KPLS的過程監測方法。然而，實際的流程工業過程還具有多分布、動態特性等特點，會導致由SLA技術所建立的模型準確性降低。針對多分布的情況，擬採用高斯混合模型（GMM）對數據進行分類，在子數據集上建立監測模型；針對具有動態特性的過程，藉助遞歸的思想，提出一種新的基於遞歸核偏最小二乘（RKPLS）的動態非線性過程監測方法。通過以上的深入研究，可以改進和完善傳統的非線性過程監測算法，提高監測模型的準確性和靈敏度，為監測技術的實際套用提供更多理論和方法上的指導。
結題摘要
實際的工業過程本質上都是非線性的，因此，對於非線性過程的故障檢測方法研究更具有現實意義，也一直是故障監控領域的研究重點。然而，基於數據驅動的方法由於沒有過程機理知識的指導，當過程出現潛在的初始故障及由於協方差結構發生變化而導致的過程異常時，核偏最小二乘（KPLS）或者核主元分析（KPCA）等傳統方法可能失效。如何及時和準確的監測到非線性系統過程的上述微小異常，以防止微小故障的積累與傳播造成嚴重的生產事故，是一個重要而又困難的課題。結合複雜非線性過程的數據特點，項目的研究內容主要包括：（1）統計局部技術（SLA）是對初始故障有效的建模方法，針對傳統KPLS無法與SLA融合的問題，首先對傳統KPLS算法做了兩種不同的改進，找到符合SLA要求的初始向量函式，並構建了新的檢測統計量，提出了基於SLA和改進KPLS的非線性過程的初始故障檢測方法，有效解決了非線性系統的初始故障檢測問題。（2）針對非線性系統具有動態特性的問題，採用即時學習的局部建模策略，提出了一種基於JITL與核獨立元分析的間歇過程線上監控方法，有效提高了線上監控的實時性。（3）針對非線性系統數據具有多分布的情況，利用高斯混合模型對數據進行預分類，在由最優高斯成分決定的子空間中分別套用改進的KPLS對數據進行特徵提取，融合SLA技術，提出基於GMM和改進KPLS的故障檢測方法。本項目的研究成果豐富了基於數據驅動的非線性過程的故障檢測理論體系，在通用仿真平台的套用結果證明了所提出的新的建模方法的有效性，為實際的工程套用提供了更多可能的方法參考。
