基于多元统计方法的间歇过程监控与故障诊断研究

现代流程工业正逐渐倚重于生产小批量、多品种、高附加值产品的间歇过程，基于多元统计模型的过程监控是保障生产安全和产品质量的重要工具。但由于间歇过程的复杂特性和产品质量极易受到不确定性因素的影响等，使得多元统计方法在间歇过程监控和故障诊断中还处于起步阶段，存在许多问题，具有广阔的研究空间。因此，本课题针对间歇过程存在的多阶段性、非线性及数据分布的非高斯性等特点，提出一套完整的基于MKICA-PCA的多阶段间歇过程监控与故障诊断新策略。研究基于数据矩阵相似度的模糊软过渡阶段划分算法，为分阶段建立统计模型奠定基础；研究一种新的MKICA-PCA的监控方法，解决具有非线性、非高斯分布的间歇过程监控问题；研究一种基于重构的非线性故障辨识方法用于进一步实现故障的定位与诊断。利用理论、仿真实验和现场实验对上述方法进行验证，并不断完善该方法，使之能够达到保证生产安全和提高产品质量的目标。

间歇式生产是精细化工、生物制药和食品行业中的主要生产方式，鉴于其在生产生活中的重要地位，以及日益凸显的安全性问题，使人们对过程的安全性和可靠性越来越重视。数据驱动的多元统计方法无需考虑过程机理，可通过对历史数据的建模分析快速准确地捕捉到生产过程中的异常工况，进而追溯异常变量。但由于间歇过程的复杂特性以及产品质量极易受到不确定因素影响，使得传统基于数据驱动的多元统计算法在用于过程监控时仍存在诸多难题。因此，本课题针对间歇过程数据固有的多阶段性、非线性以及非高斯性等特点，提出一套基于数据驱动的故障监控与诊断新策略。具体内容如下：.⑴提出模糊聚类软划分算法.对批次不等长、过渡阶段建模和过程数据相似度进行研究，提出基于数据矩阵相似度的模糊聚类软过渡划分算法，以解决多操作模式下三维过程数据的阶段划分问题。对于阶段的辨识，依据数据不同特点，研究了高斯混合模型聚类、模糊C均值聚类和仿射传播聚类等分类方法，取得了多项研究成果。.⑵实现多阶段MKICA-PCA间ajax-filedownloa歇过程监控算法.首先，通过分离过程数据中的高斯信号和非高斯信号，提出MICA-PCA策略，解决多变量非完全高斯分布问题；之后，进一步研究基于核映射的KICA与PCA的结合，提出MKICA-PCA监控算法，解决过程数据的非线性问题；最后，通过PSO 优化的Fast ICA方法提取非高斯独立元，解决ICA算法对初值敏感和独立元个数须事先指定的缺陷。.⑶提出基于重构的非线性故障辨识方法.统计过程监控涉及故障检测、估计、识别与诊断。当监控统计量超限，指示故障发生时，应快速识别异常变量。因此，针对传统重构的故障诊断策略不适用非线性系统的问题，引入核函数，研究基于非线性重构的故障诊断方法。在此基础上，提出基于质心向量的非线性贡献图方法，避免核空间映射问题，解决了传统贡献图不适于核映射方法的缺陷。.⑷动态性消除及KECA用于间歇过程监控的延伸研究.对测量变量动态性无法满足传统数据驱动方法建模的局限性进行探索与研究，将单变量过程的时间序列分析推广到多变量情形，建立多变量AR模型消除过程动态对监控性能的影响。此外，课题组首次提出基于KECA的间歇过程故障监控算法。KECA依据核熵的大小对数据进行降维，降维后数据分布与原点成一定的角度结构，不同特征信息呈现出显著的角度信息，用于状态监测效果更佳。