基于Vine Copula的复杂化工过程故障在线监测方法研究

Process monitoring technique provides an efficient tool to maintain process safety and product quality. Traditional multivariate statistical process monitoring approaches, such as Principal Component Analysis (PCA), Partial Least Squares (PLS) are limited to the systems with Gaussian, linear, stable and single mode. In this research project, a novel online fault monitoring method based on Copula theory and Bayesian inference technique is proposed. Initially, according to the sample data from the production units, the structure of single or mixture Vine Copula model is established, and the type and the parameters of each bivariate copula are optimized according to AIC criterion to obtain the joint distribution models of different modes. Then, the posterior probabilities of the sample data belonging to different modes are computed via Bayesian inference combined with the joint distribution model. To avoid high computational cost and ensure online monitoring, a static quantile table is created for probability index estimation, whose step size is determined according to the given control limit. The generalized BIP index can be calculated using posterior probabilities and the proposed generalized local probability indices, thus the abnormal operating conditions can be detected when the generalized BIP index exceeds the control limit. Finally, the validity and the effectiveness of the proposed process monitoring approach are illustrated using the actual industrial process units.

过程监控技术是保证化工过程操作安全和产品质量的有效途径。传统的基于PCA及PLS的多元统计监测方法对过程的限制较多，如过程必须服从高斯分布、线性、单一工况等。为此，提出一种基于Copula理论结合贝叶斯推理的过程在线故障监测方法。首先，从生产装置获得不同生产模态下的样本数据，根据样本数据建立单一或混合Vine Copula的模型结构并优化每个二元Copula的函数形式与参数，确定出不同模态下的联合分布模型。其次，利用贝叶斯推理结合广义局部区域概率指标确定样本数据从属不同模态的后验概率。为避免过大的计算量以满足在线监测的需要，采用样本数据建立静态分位数表法来确定该概率指标。分位数表的间隔是根据故障监控的上限指标来确定。利用后验概率结合联合分布模型计算出广义BIP监控指标，判断其是否超限，进而实现化工过程故障的实时检测。最后，将提出的过程故障检测方法在实际生产装置验证，检验提出方法的有效性。

在化工生产过程中建立准确、实时的故障检测系统，对于保障操作人员的人身安全、确保化工生产的顺利进行、改进产品质量、降低产品成本和保护自然环境有着重要的社会效益和巨大的经济意义。.课题组针对主元分析和偏最小二乘等常用的故障检测方法存在的预测精度低等问题，首次提出利用基于Vine Copula建立的联合概率分布模型（VCDD）来实现化工过程故障的实时监控。该方法利用Vine Copula描述高维数据中存在的复杂相关性，可实现非线性、非高斯以及多模态操作的过程的故障检测。该方法首先根据正常的样本数据利用Vine Copula建立多元变量的联合概率分布函数。Copula将多元变量间的联合概率分布转换为一维变量的边缘累计分布函数与Copula函数的乘积。这样将多元概率分布函数的求解问题转换成Copula的参数优化问题。为了计算新样本到联合概率分布中心的距离，课题组构建了一种广义贝叶斯推断概率指标。对于非高斯、非线性多模态过程的对象，该概率指标可以确定当前样本数据距离正常样本分布中心的概率性度量。最后，基于该概率指标确定当前样本是否发生故障。.在VCDD模型的基础上，课题组根据对象的不同特点利用机器学习领域新的方法对监控模型进行完善。分别采用主动学习、集成学习、深度学习和迁移学习来对模型的输入数据进行选择和处理，提高监控模型的预测性能。针对非高斯过程分别采用核密度法和惩罚伯恩斯坦多项式法来估计联合概率分布以及建立混合D-vine Copula模型来提高非高斯数据的预测性能。为了提高模型的实时性，分别采用剪枝和截断vine copula、简化R-vine模型、变量分类分组、多子空间等方法降低模型的复杂度，进而降低计算量和提高模型的计算速度。提出的故障监控方法在数值仿真、TE过程和工业实例中得到了验证。在过程监控的基础上，将Vine Copula与贝叶斯网相结合实现过程故障的诊断。除此之外，课题组还在模型优化方法以及过程软测量建模等方面进行了相关研究。.本项目的研究成果申请了3项国家发明专利、在国内外核心期刊发表25篇学术论文，培养了研究生12人。按照研究计划完成了项目立项书中所有的研究内容，达到并在一定程度上超过了预定的目标。