數(shù)據(jù)驅(qū)動(dòng)的復(fù)雜工業(yè)過程統(tǒng)計(jì)過程監(jiān)測(cè).pdf

1、工業(yè)過程生產(chǎn)安全是是新一代工業(yè)革命的重要保障之一。過程監(jiān)測(cè)技術(shù)是實(shí)現(xiàn)工業(yè)過程安全生產(chǎn)的重要手段，是保障制造業(yè)轉(zhuǎn)型升級(jí)，實(shí)現(xiàn)智能制造的基本技術(shù)之一。隨著數(shù)據(jù)測(cè)量及存儲(chǔ)技術(shù)的飛速發(fā)展，工業(yè)過程中積累了豐富的過程數(shù)據(jù)，這些數(shù)據(jù)蘊(yùn)含了豐富的過程信息，因而，數(shù)據(jù)驅(qū)動(dòng)的過程監(jiān)測(cè)方法受到了廣泛的關(guān)注。其中，多元統(tǒng)計(jì)分析的方法因其在處理高耦合、多變量數(shù)據(jù)的獨(dú)特優(yōu)勢(shì)而備受青睞。
　　傳統(tǒng)的統(tǒng)計(jì)過程監(jiān)測(cè)方法往往做了一些理想化的假設(shè)條件，如認(rèn)為建模數(shù)據(jù)

2、往往是充足且規(guī)則的、過程變量往往服從單一的線性關(guān)系或者非線性關(guān)系、過程數(shù)據(jù)往往是來自穩(wěn)定工況等。這些假設(shè)條件使得傳統(tǒng)的統(tǒng)計(jì)過程監(jiān)測(cè)方法在一定的適用范圍內(nèi)取得了較好的應(yīng)用效果。然而，隨著工業(yè)過程的過程特性日益復(fù)雜、過程規(guī)模日益龐大，實(shí)際的工業(yè)過程往往處于一種復(fù)雜的非理想的運(yùn)行工況下，無法滿足理想化的假設(shè)條件，從而導(dǎo)致傳統(tǒng)的統(tǒng)計(jì)過程監(jiān)測(cè)方法性能下降甚至無法適用。間歇生產(chǎn)過程和連續(xù)生產(chǎn)過程是當(dāng)今工業(yè)過程的兩大主要生產(chǎn)方式，且間歇過程由于其多操

3、作階段、周期生產(chǎn)的特點(diǎn)往往具有復(fù)雜的過程特性，而連續(xù)過程的大規(guī)模化趨勢(shì)也使得其過程特性日益復(fù)雜，它們的實(shí)際運(yùn)行工況往往違背了理想的假設(shè)條件。因此，以間歇過程和大規(guī)模連續(xù)過程為研究對(duì)象分析實(shí)際工業(yè)過程中的復(fù)雜特性，并針對(duì)其中的典型問題進(jìn)行研究，主要有間歇過程中的小樣本問題、不規(guī)則數(shù)據(jù)問題以及大規(guī)模連續(xù)過程中的混合變量相關(guān)性問題、動(dòng)態(tài)性問題:
　　(1)由于過程反應(yīng)緩慢，一些間歇過程（如生物制藥）往往難以獲取充足的批次數(shù)據(jù)用以分析建模

4、，導(dǎo)致小樣本問題的存在。針對(duì)小樣本問題，本文建立了一種新的數(shù)據(jù)分析單元一泛化時(shí)間片，并提出一種基于泛化時(shí)間片的間歇過程有序時(shí)段劃分算法。該方法通過衡量泛化時(shí)間片中過程數(shù)據(jù)的相關(guān)性從而自動(dòng)有序地識(shí)別間歇過程的多個(gè)時(shí)段，為可靠的過程監(jiān)測(cè)奠定基礎(chǔ)。此外，所建立的子時(shí)段監(jiān)測(cè)模型能隨著建模數(shù)據(jù)的增多而進(jìn)行更新，從而實(shí)現(xiàn)精確的過程監(jiān)測(cè)。
　　(2)由于各種因素的影響，間歇過程往往不能嚴(yán)格地重復(fù)生產(chǎn)，因此間歇操作的數(shù)據(jù)長度也不可能完全相同，導(dǎo)致

5、不規(guī)則數(shù)據(jù)問題。針對(duì)間歇過程不規(guī)則數(shù)據(jù)問題，本文提出一種基于時(shí)間片重組的不等長時(shí)段有序自動(dòng)劃分算法，通過衡量每個(gè)批次的數(shù)據(jù)相關(guān)性在時(shí)間方向的變化情況對(duì)不規(guī)則的子時(shí)段進(jìn)行識(shí)別，并建立時(shí)段模型提取不規(guī)則的過程特性。此外，考慮到時(shí)間指標(biāo)無法有效指示新樣本的時(shí)段隸屬，本算法對(duì)每個(gè)不規(guī)則時(shí)段進(jìn)行了細(xì)劃分，區(qū)分了兩類時(shí)間區(qū)域，并針對(duì)不同區(qū)域提出不同的在線監(jiān)測(cè)策略。該策略避免了因不規(guī)則時(shí)段識(shí)別錯(cuò)誤而導(dǎo)致的誤報(bào)警情況，從而可以有效改善在線監(jiān)測(cè)性能。

6、r>　　(3)由于大規(guī)模連續(xù)過程往往由若干設(shè)備、生產(chǎn)線等構(gòu)成，它們的運(yùn)行機(jī)制不同且相互影響，因此過程變量間往往存在著混合的變量相關(guān)性，即同時(shí)存在線性相關(guān)性和非線性相關(guān)性。針對(duì)混合相關(guān)性問題，本文首次提出混合變量相關(guān)性解耦的思想，并基于該思想提出一種線性關(guān)系衡量以及線性變量組劃分的方法，將過程分解成具有不同變量相關(guān)性的線性子組和非線性子組。在過程分解的基礎(chǔ)上，提出一種兩層的精細(xì)化建模和監(jiān)測(cè)的框架:在底層對(duì)系統(tǒng)局部的線性特征進(jìn)行分析和監(jiān)測(cè);

7、在上層分析和監(jiān)測(cè)過程的全局非線性特性。該方法對(duì)過程的線性特征和非線性特征分別表征和監(jiān)測(cè)，可以有效改善大規(guī)?；祀s過程的在線監(jiān)測(cè)性能。
　　(4)對(duì)于具有高維度、混合變量相關(guān)性數(shù)據(jù)的大規(guī)模過程，故障易被掩蓋且往往同時(shí)具有線性和非線性的特征，從而導(dǎo)致故障特性難以精確表征。因此，本文在混合變量相關(guān)性解耦的基礎(chǔ)上進(jìn)一步提出復(fù)雜故障特性分解的思想，并基于該思想提出一種分布式的概率故障診斷方法。該方法根據(jù)故障特性將過程分解為不同的子塊，有利于故

8、障特性的精確表征。隨后，根據(jù)子塊所包含的故障特性采用相應(yīng)的建模方法建立分布式的故障診斷系統(tǒng)，該系統(tǒng)中不同的子塊模型可以提取不同的故障特征，并通過信息融合技術(shù)進(jìn)行有效融合，顯著改善了故障診斷精度。此外，采用概率的形式來表示故障診斷的結(jié)果，不僅可以有效指示故障類別，還反映了樣本屬于該故障類別的程度，揭示了更豐富的故障信息。
　　(5)由于控制策略切換，產(chǎn)品更改等因素，實(shí)際工業(yè)過程往往存在顯著的動(dòng)態(tài)變化特性。此外，大規(guī)模連續(xù)過程因其包含

9、了多個(gè)運(yùn)行設(shè)備、生產(chǎn)線甚至車間而具有更為復(fù)雜、顯著的動(dòng)態(tài)變化行為。針對(duì)大規(guī)模連續(xù)過程的動(dòng)態(tài)性問題，提出一種基于動(dòng)靜特性分析的分布式協(xié)同建模與監(jiān)測(cè)方法。首先提出一種稀疏慢特征分析算法對(duì)過程數(shù)據(jù)的動(dòng)靜態(tài)相關(guān)性進(jìn)行評(píng)估，并基于評(píng)估結(jié)果設(shè)計(jì)變量組迭代劃分方法自動(dòng)將過程分解為具有不同的動(dòng)靜態(tài)特性的變量子組。隨后，提出一種新的分布式協(xié)同建模方法:在每個(gè)變量子組采用SFA分別表征過程局部的動(dòng)靜態(tài)特性，并采用KSFA算法表征變量子組間的全流程的動(dòng)靜態(tài)特