基于特征提取与信息融合的工业过程监测研究

发布时间：2017-04-06 11:09

  本文关键词：基于特征提取与信息融合的工业过程监测研究，由笔耕文化传播整理发布。

【摘要】：随着全球化市场对企业的盈利和竞争能力提出新的要求,有效地保证过程生产安全和提高产品质量是现代过程工业面临的主要挑战,因此过程监测无论是在工业应用领域还是学术研究领域都有着重大的实践意义和理论研究价值。近年来,由于计算机技术的飞跃发展和工业规模的不断扩大,工业过程能够测量和存储的数据信息越来越大而精确描述过程的机理模型却难以获得,如何从海量的过程数据中发掘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。基于数据驱动的过程监测技术就是在这个背景下应运而生的,其中多变量统计过程监测(MSPM)方法在工业界和学术界的广泛关注下已经成为过程监测领域的研究热点。 虽然MSPM已经得到了长足的发展,各种方法层出不穷,但是还存在诸如特征提取、数据降维和多工况或多模态过程监测等一系列亟待解决的问题。此外,如何开发出能结合基于解析模型和基于数据驱动方法的混合过程监测框架也是一个值得研究的课题。本文在已有研究工作的基础上,以数据特征提取和信息融合为研究主线,针对不同的问题,提出了不同的过程监测新方法,具体包括： 1)针对传统主成分分析(PCA)算法在建立统计监测模型的过程中存在的截断信息丢失问题,提出一种基于四子空间构建的分布式过程监测新方法。根据各过程变量与PCA主成分子空间和残差子空间的相关性,将过程变量分割为四个变量子空间,每个变量子空间与原始数据所对应的PCA模型之间存在着不同的联系。每个子空间都是原始数据的一个低维特征表示,可以直接为其建立以平方马氏距离作为的监测统计量。为了得到最终统一的监测结果,利用贝叶斯推理将四子空间的监测统计量融合为一个概率型的指标。对单个子空间而言,空间的维数得以降低,而从整体上看,所有过程变量未经任何的转换或加权,原始数据中的信息得到了最大化的保留。仿真实验研究表明,提出的分布式过程监测方法能在很大程度上改善故障检测的效果。 2)原始数据空间包含全局结构和局部结构特征信息,在故障发生时,数据空间中的全局和局部结构特征均会受到不同程度的影响,任何一方面的特征遗失都有可能影响过程监测算法的性能。为此,提出了一种能折衷提取数据全局和局部结构特征的算法。在全面分析了PCA、局部保持投影(LPP)、全局-局部结构分析(GLSA)和局部-全局PCA(LGPCA)等数据空间结构特征保持算法的优化目标函数后,针对他们的全局结构保持目标函数中缺乏近邻信息这一问题,在设计全局结构保持目标子函数时,以数据点的局部均值向量取代整体均值向量,从而推理出一个能在全局和局部结构特征中同时考虑近邻流形信息的多流形投影(MMP)算法。并在MMP算法的基础上开发出了对应的过程监测方法框架。通过实验的对比分析,验证了MMP算法具有较好的特征提取能力,能够取得更优越的监测结果。 3)利用独立成分分析(ICA)算法建立非高斯过程监测模型时,难以确定最佳的降维准则,且降维准则直接影响了ICA过程监测方法的性能。针对这个问题,提出了一种新的基于ICA的非高斯过程监测方法。该方法利用了模式识别领域集成学习的思想,综合利用所有可用的降维准则,建立多个统计监测模型,并通过贝叶斯推理构造出一个概率型的监测指标,有效地降低过程监测性能对单一降维准则的敏感度。实验研究表明。由于集成学习框架下的ICA方法集成化的考虑多个监测子模型的监测结果,它能获得更满意的故障检测效果。 4)针对过程的多工况运行情况并同时考虑过程的时变特征,为多模态过程提出了一个体系化的过程监测方案,它集模态聚类、自适应模态辨识和自适应模型更新为一体。离线建模阶段,考虑到过程缺失区分各模态数据的完整经验和数据的高维特性,提出利用局部保持索引(LPI)降维技术和集成c-均值聚类方法相结合的模态聚类方法。随后,为多模态过程数据提出模态展开的预处理技巧。模态展开首先将聚类后的多模态过程数据当成一个三维数据矩阵,然后按照模态将三维数据矩阵展开为二维数据矩阵,并根据每个模态所对应的均值和方差对其作归一化预处理。该技巧能消除数据因局部均值和方差的变化而引起的多模态特性,这可以方便我们直接为多模态过程建立单个全局的统计监测模型。在线监测阶段,提出自适应的策略以有效地识别出当前的操作模态,以及如何进行模型更新适应过程的时变动态特性。 5)探讨研究了基于数据驱动技术和观测器设计组合方法论用于监测混合过程的相关问题。在过程控制领域,通常将在多个操作模态间切换的过程定义成混合过程,对混合过程监测问题的研究,基于数据驱动的方法和基于解析模型的方法都是被分开来研究的。首先,针对基于解析模型的方法在模态识别上的不足和要求精确机理模型的难题,采用基于数据驱动的方法来描述混合过程的多模态特征,以及利用子空间辨识技术获取近似的状态空间模型。基于数据驱动方法的优势在于它只需过程采集的数据信息,从而最大化的解放了基于解析模型方法的诸多限制条件。其次,利用被基于解析模型方法领域广泛研究的未知输入观测器理论,为混合过程的各个操作模态开发出对应的基于观测器设计的故障检测与诊断方法。基于统计分析的过程监测方法因缺乏对过程动态性的有效描述,有可能给出模拟两可甚至误导的结果,而基于观测器设计的方法则可以有效地避免这一问题。即使是针对大型复杂过程,如Tennessee Eastman Benchmark过程,从故障检测的角度出发,该组合方法论仍是可行的。 最后,在总结全文研究工作和分析所存在问题的基础上,阐述了未来在过程监测领域的研究工作。
【关键词】：统计过程监测 主成分分析 独立成分分析 贝叶斯推理
【学位授予单位】：华东理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP274
【目录】：

• 摘要5-7
• Abstract7-13
• 第1章 绪论13-30
• 1.1 引言13
• 1.2 过程监测概述13-16
• 1.2.1 过程监测的研究内容13-14
• 1.2.2 过程监测的主要研究方法14-16
• 1.3 统计过程监测的研究现状16-27
• 1.3.1 统计过程监测的发展历程16-17
• 1.3.2 多变量统计过程监测的主要方法17-23
• 1.3.3 TE Benchmark实验平台介绍23-26
• 1.3.4 多变量统计过程监测中存在的问题26-27
• 1.4 本文的研究内容和安排27-29
• 1.5 本章小结29-30
• 第2章 基于四子空间构建与贝叶斯推理的分布式统计过程监测30-47
• 2.1 引言30
• 2.2 基于FSCB的分布式统计过程监测30-34
• 2.2.1 FSCB方法概述30-31
• 2.2.2 四子空间的构建策略31-32
• 2.2.3 子空间构建方法分析32-33
• 2.2.4 故障检测方法33-34
• 2.3 基于FSCB的过程监测策略34-36
• 2.3.1 故障检测流程34-35
• 2.3.2 基于贡献图的故障诊断方法35-36
• 2.4 实验研究36-45
• 2.4.1 数值仿真实验研究36-39
• 2.4.2 TE Benchmark仿真实验39-42
• 2.4.3 FSCB方法的有效性分析42-45
• 2.5 本章小结45-47
• 第3章 基于多流形投影算法的过程监测研究47-61
• 3.1 引言47-48
• 3.2 PCA、LPP、以及MMP算法推理48-51
• 3.2.1 PCA和LPP算法介绍48-49
• 3.2.2 MMP算法推理49-50
• 3.2.3 MMP算法分析50-51
• 3.3 基于MMP的过程监测方法51-52
• 3.3.1 故障检测方法51
• 3.3.2 故障诊断方法51-52
• 3.4 实验研究52-59
• 3.4.1 数值仿真实验研究52-53
• 3.4.2 TE过程实验研究53-59
• 3.5 本章小结59-61
• 第4章 集成学习策略下的独立成分分析及其应用研究61-77
• 4.1 引言61-62
• 4.2 ICA模型求解与数据降维62-64
• 4.2.1 FastICA算法62-63
• 4.2.2 ICA算法数据降维问题63-64
• 4.3 基于EICA的过程监测方法64-67
• 4.3.1 集成学习思想与贝叶斯推理65-66
• 4.3.2 故障诊断方法66-67
• 4.3.3 详细的过程监测流程67
• 4.4 实验研究67-75
• 4.4.1 数值仿真案例分析68-72
• 4.4.2 TE Benchmark实验研究72-75
• 4.5 本章小结75-77
• 第5章 融合模态聚类与展开的自适应多模态过程监测策略77-93
• 5.1 引言77-78
• 5.2 数据聚类与多向展开数据处理方法78-80
• 5.2.1 集成c-均值聚类算法78-79
• 5.2.2 间歇过程多向数据处理方式79-80
• 5.3 模态聚类与模态展开80-82
• 5.3.1 模态聚类80-81
• 5.3.2 模态展开81-82
• 5.4 自适应过程监测策略82-85
• 5.4.1 自适应模态辨识82-84
• 5.4.2 自适应模型更新84-85
• 5.4.3 多模态自适应过程监测流程85
• 5.5 仿真案例研究85-91
• 5.5.1 离线建模86-88
• 5.5.2 实验结果对比分析88-91
• 5.6 本章小结91-93
• 第6章 基于混合方法的多模态过程系统故障检测与诊断研究93-110
• 6.1 引言93-94
• 6.2 过程监测框架概述94-95
• 6.3 基于数据驱动的模态辨识和SMI技术95-97
• 6.3.1 高斯混合模型95-96
• 6.3.2 子空间模型辨识96-97
• 6.4 基于观测器设计的故障检测与诊断97-100
• 6.4.1 未知输入观测器97-99
• 6.4.2 传感器故障诊断99-100
• 6.4.3 执行器或过程故障诊断100
• 6.5 仿真案例研究100-109
• 6.5.1 数值仿真案例100-105
• 6.5.2 CSTH过程实验研究105-107
• 6.5.3 TE Benchmark过程实验研究107-109
• 6.6 本章小结109-110
• 第7章 研究总结与展望110-114
• 7.1 研究工作总结110-112
• 7.2 研究工作展望112-114
• 参考文献114-125
• 致谢125-126
• 攻读博士学位期间发表的学术论文126

【参考文献】

中国期刊全文数据库 前7条

1 方培培,李永丽,杨晓军;Petri网与专家系统结合的输电网络故障诊断方法[J];电力系统及其自动化学报;2005年02期

2 陈耀,王文海,孙优贤;基于动态主元分析的统计过程监视[J];化工学报;2000年05期

3 王海清,宋执环,李平;改进PCA及其在过程监测与故障诊断中的应用[J];化工学报;2001年06期

4 赵忠盖;刘飞;;因子分析及其在过程监控中的应用[J];化工学报;2007年04期

5 赵忠盖;刘飞;徐保国;;基于改进混合概率主元分析模型的过程监控[J];控制与决策;2006年07期

6 周东华;胡艳艳;;动态系统的故障诊断技术[J];自动化学报;2009年06期

7 赵仕健,徐用懋;Multivariate Statistical Process Monitoring Using Robust Nonlinear Principal Component Analysis[J];Tsinghua Science and Technology;2005年05期

中国博士学位论文全文数据库 前2条

1 葛志强;复杂工况过程统计监测方法研究[D];浙江大学;2009年

2 祝志博;融合聚类分析的故障检测和分类研究[D];浙江大学;2012年

  本文关键词：基于特征提取与信息融合的工业过程监测研究，由笔耕文化传播整理发布。

，

本文编号：288758