《间歇过程统计建模及故障诊断研究——基于数据驱动角度》内容简介:作为第二产业当中的一个子项,间歇生产过程是现代社会大生产当中比较有代表性的生产形势之一,因其具有比较好的灵活性、较高的产物附加值以及较悠久的发展历史,被应用在诸如制药、食品生产、化工材料制备等领域。然而正因其具有的与连续生产过程所不同的特性,也会随之而来具有比较复杂的生产机理,多样的生产及工况以及多变的生产状态。因此,对其进行统计建模、过程监测和故障诊断的研究,从控制和大数据分析领域的角度讲具有普适性和代表性。本书作者多年来一直从事间歇过程的统计建模、过程监测和故障诊断等方面的研究,在借鉴国内外的有关*新研究成果和作者自身完成的研究成果基础上,博采众家之长,著成此书。本书结合具体的间歇工业微生物发酵过程实例,分别对过程的统计建模、过程监测,特别是在非线性、非高斯性、多阶段共存的间歇过程在线应用与故障诊断方面进行了比较系统的介绍,并引入了核熵成分分析技术并扩展其在过程监测、优化以及故障诊断等方面的应用。
本文从工业间歇过程中的实际应用出发,针对间歇过程数据的不同特点,分别从非线性、非高斯性、多阶段性等不同角度进行研究,改进传统多元统计监测方法的不足,以基于核熵成分分析(KECA)[81]为主要统计分析工具,提出新的过程监测和故障诊断策略,实现对间歇过程的在线监测。论文的主要研究内容如下:
基于KECA方法的间歇过程监测方法研究
针对大多数间歇过程都具有复杂的非线性特征,深入分析了KECA和KPCA方法,提出了多向核熵成分分析(MKECA)的间歇过程监测方法,它是以信息熵为信息衡量指标,结合数据信息和数据簇结构信息使降维后的数据分布逼近原始数据分布。分析了不同的展开方式对实际间歇过程监测应用中存在的优缺点,提出一种改进的展开方法,用于对间歇过程进行过程监测与故障诊断。该方法对在线数据进行处理,使得展开后的数据不必进行数据填充即可进行过程监测,避免了由于数据预估带来的模型误差问题,提高了模型的监测性能。同时结合MKPCA的主元提取方法中的方差累积贡献率,提出核熵值累计贡献率的MKECA主元提取方法;最后给出一种随时间变化的贡献图故障诊断方法。仿真实验结果表明,MKECA的监测性能优于传统的MKPCA方法,且具有一定的故障识别能力。
基于MKEICA的间歇过程监测方法的研究
针对传统MKICA方法所建立监测模型在非高斯、非线性监测方面的不足,本章研究了基于MKEICA间歇过程监测方法,首先利用将原始数据映射到核熵空间,解决数据的非线性的同时最大限度地保持数据的簇机构信息,其次将KECA白化后的得分矩阵进行ICA分解后,构建高阶累计量的监测统计量用于过程监测。最后将该方法应用于一个数值非线性过程和间歇发酵过程,并与传统MKICA方法进行比较,验证了基于MKEICA方法在间歇过程监测中的有效性。
间歇过程阶段划分及过程监测算法研究
对间歇生产过程进行多阶段监测是一个复杂的问题,既需要考虑过程监测在稳定模态下的监测效果,又需要考虑过渡模态下的监测效果。不同操作模态的数据在数据相关性上会不尽相同,需要针对每个模态,建立不同的阶段模型。两个彼此相邻的稳定模态间的过渡过程更是复杂,过渡模态最大的特点是变量的时变特性,针对这一特性在过渡阶段使用时变协方差代替固定协方差可以更好地反映这一特性。本文提出了一种应用于间歇过程多阶段的过程监测方法,该方法首先把三维数据矩阵按照时间片展开策略展开为新的二维数据;其次根据各时间片的数据进行KECA数据转换,然后依据核熵的大小对过程进行阶段划分,将生产操作过程划分为稳定阶段和过渡阶段,并分别建立监测模型对生产过程进行监测;最后对青霉素发酵仿真平台的应用表明,采用提出的Sub-MKECA阶段划分结果能很好地反映间歇过程的机理,并且对于多模态过程的故障监测表明其可以及时、准确发现故障,具有较高的实用价值。
基于MKEICA的多阶段非高斯过程监测方法研究
针对传统MKICA方法不能有效处理过程间歇过程数据多阶段特性的问题,提出一种结合MKEICA的多阶段监测策略。该方法的主要思想是利用KECA对过程数据进行阶段划分,由于使用KECA对数据进行划分后,数据在核熵空间会呈现非高斯特性,故引入ICA模型对其进行分解,在独立元子空间和残差子空间内构造基于高阶累计量的监测统计量HS和HE,新的高阶监测统计量与传统的低阶监测统计量相比,可以更加完整地提取过程数据的特征。因此基于KECA划分操作阶段建立ICA模型解决非高斯分布问题是合理和可行的。将该方法应用于青霉素发酵过程的仿真平台和工业大肠杆菌制备白介素-2发酵过程监测中,结果显示所提出方法能较好处理过程的非高斯分布数据,一定程度上克服时序相关性对监测性能的影响。
基于子阶段的质量相关过程监测方法研究
对基于KICA-PCA和T-PLS算法进行深入分析的基础上提出的子阶段质量相关的过程监测方法,用HS统计量捕获过程各个子阶段的非高斯特征,建立新的联合统计量捕获与质量相关的各个子阶段的高斯信息,通过对工业制备大肠杆菌的间歇发酵过程的应用表明该监测策略确实能有效减少生产过程中监测的误警率和漏报率,较好的反映各阶段的特征多样性,为多操作阶段、非高斯分布、高斯分布的间歇发酵过程监测提供一种可行的解决方案,具有一定的实用价值。
常鹏,1981年出生,讲师。主要从事间歇过程统计建模及监测等方面的研究。目前,作为主要参与人,参与国家自然科学基金项目1项、高等学校博士学科点专项科研基金1项。近三年,发表学术论文8篇,被SCI、EI收录5篇;获得国家发明专利1项。