基于信息富集与特征选择的多元统计化工过程监测研究

发布时间：2017-05-29 03:03

  本文关键词：基于信息富集与特征选择的多元统计化工过程监测研究，由笔耕文化传播整理发布。

【摘要】：在现代流程工业中,人们对过程安全和产品质量要求日益提高,工业过程在线过程监测作为保障过程安全、提高产品质量的有效途径和关键技术,受到人们越来越多的关注。随着现代流程工业中数据采集、存储和处理技术的快速发展,过程数据信息变得极为丰富,基于数据驱动的过程在线监测与故障诊断技术在近几年发展迅速；同时,多元统计分析技术日新月异,基于多元统计分析的过程监测(Mutivariate Statistical Process Monitoring, MSPM)方法成为工业过程监测领域的研究热点。 虽然对于MSPM的研究取得了很多成果,MSPM方法仍然在发展过程中,还有许多问题需要进一步讨论和解决,例如,如何更有效地提取故障信息,如何挖掘更多的局部过程信息,如何解决生产过程中非线性、多工况的问题等。本文在前人研究工作的基础上,针对现代工业过程的特点,从信息富集与特征选择的思路出发对一些现有的方法进行了研究和改进,同时也提出了一些新的、有效的过程监测策略,具体包括： (1)针对主成分分析(Principal Component Analysis, PCA)过程监测中存在的主观主元选择及故障相关信息分散问题,提出基于故障敏感主成分选择和主元空间实时重构的策略,用以改善过程监测性能。由于故障相关信息被集中到一个子空间,故障检测和故障诊断性能都得以提高。PCA是目前应用最为广泛的多元统计过程监测方法,对PCA方法的研究具有十分广泛的意义。所提出的方法可以扩展到核PCA、因子分析、独立成分分析等监测方法以解决更多的实际问题。 (2)针对现代流程工业中过程变量和操作单元众多,变量相关性复杂的问题,提出了完全基于数据驱动的分散过程监测策略,将众多的变量分配到若干子空间进行监测。分散监测一方面降低了系统复杂程度,另一方面也更有利于发掘更多的局部过程信息,为辨别过程状态提供了便利。相对于传统的分块监测方法,新的方法不需要精确的过程模型和对系统知识的认知,是一种完全基于数据的方法,更有利于实际应用。同时,该方法可以扩展用于具有非线性、多模态等特性的过程监测中来,论文中也将进行详细的论述。 (3)针对基于独立成分分析(Independent Component Analysis, ICA)的非高斯过程监测中存在的故障信息分散及有用信息被压制的问题,分别提出了基于故障相关独立元预选与重要独立元加权策略的过程监测方法。基于独立元预选的监测方法充分利用过程故障信息,将故障相关独立元集中到一个子空间,使故障信息富集；基于加权策略的加权独立元监测方法通过衡量一个时段内各个独立元的重要性,赋予重要独立元更大的权重,突出强调过程中的故障信息,改善过程监测性能。所提出的方法可以扩展到非线性、多模态等形式来适应更多的实际应用需求。 (4)针对过程数据分布不唯一的过程监测问题,提出了基于变量分布相似性子空间划分和分散监测的策略,一方面使监测方法更符合实际监测的需要,另一方面有效降低了过程监测的复杂度,显著改善了过程监测性能。 最后,在总结全文的基础上,对基于多元统计分析的过程监测领域的未来工作进行了展望。
【关键词】：多元统计分析 化工过程监测 故障检测 故障诊断
【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
• Abstract7-11
• 第1章 绪论11-26
• 1.1 引言11
• 1.2 课题背景和研究意义11
• 1.3 过程监测的研究内容和主要方法11-14
• 1.3.1 过程监测的基本概念和研究内容12
• 1.3.2 过程监测的主要研究方法12-14
• 1.4 统计过程监测的发展现状14-23
• 1.4.1 统计过程监测的发展历程14-15
• 1.4.2 多元统计分析过程监测研究现状和基本方法介绍15-20
• 1.4.3 多元统计分析过程监测方法中存在的问题20-23
• 1.5 本文的研究内容和主要创新点23-25
• 1.5.1 本文研究内容24
• 1.5.2 本文主要创新点及各个章节安排24-25
• 1.6 本章小结25-26
• 第2章 基于信息富集的改进PCA监测方法26-58
• 2.1 引言26-29
• 2.2 基于敏感主成分分析的过程监测29-44
• 2.2.1 基于敏感主成分分析的故障检测29-30
• 2.2.2 基于敏感主成分分析的故障诊断30-31
• 2.2.3 在数值仿真过程中的应用研究31-35
• 2.2.4 在TE benchmark过程中的应用研究35-44
• 2.3 基于实时重组主成分分析的过程监测44-57
• 2.3.1 基于JIR-PCA-SVDD的故障检测44-46
• 2.3.2 基于JIR-PCA-SVDD的故障诊断46-47
• 2.3.3 在数值仿真过程中的应用47-50
• 2.3.4 在CSTR过程中的应用研究50-52
• 2.3.5 在TE benchmark过程中的应用研究52-57
• 2.4 本章小结57-58
• 第3章 基于分块分散监测策略的PCA监测方法58-103
• 3.1 引言58-60
• 3.2 基于互信息分块策略的PCA过程监测60-73
• 3.2.1 方法介绍60-62
• 3.2.2 在数值仿真过程中的应用62-66
• 3.2.3 在TE benchmark过程中的应用66-73
• 3.3 基于互信息、联合概率以及贝叶斯推理的分块多模态监测方法73-90
• 3.3.1 基于联合概率的过程模态判别73-74
• 3.3.2 基于贝叶斯推断的统计量合成74-75
• 3.3.3 基于加权贡献图的故障诊断75-77
• 3.3.4 在数值仿真过程中的应用77-82
• 3.3.5 在TE benchmark过程中的应用82-90
• 3.4 基于互信息谱聚类分块的KPCA过程监测90-102
• 3.4.1 基于互信息-谱聚类的变量分块90-91
• 3.4.2 基于多块KPCA和贝叶斯推理的过程监测91-93
• 3.4.3 在数值仿真过程中的应用93-97
• 3.4.4 在TE benchmark过程中的应用97-102
• 3.5 本章小结102-103
• 第4章 基于改进ICA的非高斯及多模态监测策略103-125
• 4.1 引言103
• 4.2 基于ICA预选分组的过程监测方法103-112
• 4.2.1 ICA过程监测问题说明103-105
• 4.2.2 基于预选ICA-SVDD的过程监测方法105-106
• 4.2.3 在数值仿真过程中的应用106-107
• 4.2.4 TE benchmark过程中的应用107-112
• 4.3 基于双重加权策略的多模态ICA过程监测方法112-124
• 4.3.1 基于联合概率密度和双重加权的多模态ICA过程监测113-115
• 4.3.2 在数值仿真过程中的应用115-119
• 4.3.3 在TE过程中的应用119-124
• 4.4 本章小结124-125
• 第5章 基于分布相似性分块的多分布过程监测125-136
• 5.1 引言125
• 5.2 基于分布相似性分块的分块ICA过程监测125-135
• 5.2.1 相似性分块ICA125-127
• 5.2.2 在数值仿真过程中的应用127-131
• 5.2.3 在TE benchmark过程中的应用研究131-135
• 5.3 本章小结135-136
• 第6章 总结和展望136-139
• 6.1 研究工作总结136-137
• 6.2 挑战与展望137-139
• 参考文献139-148
• 致谢148-149
• 攻读博士学位期间完成的主要论文149-150

【参考文献】

中国期刊全文数据库 前4条

1 陈国金,梁军,钱积新;独立元分析方法(ICA)及其在化工过程监控和故障诊断中的应用[J];化工学报;2003年10期

2 何宁,谢磊,郭明,王树青;基于独立成分的动态多变量过程的故障检测与诊断方法[J];化工学报;2005年04期

3 刘强;柴天佑;秦泗钊;赵立杰;;基于数据和知识的工业过程监视及故障诊断综述[J];控制与决策;2010年06期

4 谢磊;刘雪芹;张建明;王树青;;基于NGPP-SVDD的非高斯过程监控及其应用研究[J];自动化学报;2009年01期

中国博士学位论文全文数据库 前1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

  本文关键词：基于信息富集与特征选择的多元统计化工过程监测研究，由笔耕文化传播整理发布。

，

本文编号：403985