基于数据的非高斯多模态工业过程监测

The electro-fused magnesia furnace (EFMF) is complex industrial equipment. The operation data have complex statistical characteristics. Strong nonlinearity, non-Gaussianity and dynamic are the features of the process variables. Hence, linear and Gaossian methods are not available for nonlinear and non-Gaussian processes. Recently, kernel principle component analysis and kernel independent component analysis were proposed which belong to static approaches. There are false and missing alarms when they are applied to dynamic processes. The dynamic characteristic is divided into three kinds: local dynamic of single mode, multimode dynamic and switching dynamic between modes. Purpose of the project is: (1) nonlinear and multimode modeling methods are proposed; (2) nonlinear and multimode monitoring methods are proposed; (3) The dynamic fault isolation statistics are given. The safety and reliability of the electro-fused magnesia furnace will be improved by using the proposed approaches.

对于电熔镁炉等复杂工业流程，数据本身具有复杂的统计特性。由于过程变量的轨迹随着时间呈现很强的非线性非高斯动态变化趋势，因此，线性高斯方法应用于此存在无法解决的非线性非高斯动态带来的问题。本项目研究基于核主元、核独立元分析方法动态数据驱动方法解决故障检测方法和故障辨识方法。目前，核主元、核独立元分析方法只适用于单一静态模式，对于动态过程检测则会产生误报和漏报问题。本项目研究的动态特性分为如下三种：单一模式局部动态;多模式动态;模式间切换动态。本项目旨在: (1) 提出非线性非高斯多模态过程建模方法;(2) 非线性非高斯动态过程故障诊断方法;(3)动态故障分离统计量的定义。本项目的研究成果将提高电熔镁炉运行的安全可靠性。

对电熔镁炉等工业过程进行监测的目的在于及时有效发现生产过程的异常情况、保证生产安全、提高产品质量和降低生产成本。本课题研究了如下内容：（1）根据复杂工业过程数据具有多模式性和非线性特性本课题提出了基于质量核局部线性嵌入的子空间分离方法应用于多模式工业过程监测，分离各模式的全局公共子空间和局部特殊子空间，利用各统计量对各子空间进行联合监测；考虑模式间特性关系和全局公共子空间与质量变量的关系，使全局公共子空间反映各模式输入数据变量的局部结构信息并对质量变量具有解释能力。（2）根据过渡过程具有动态特性和监测变量自身存在的自相关性，提出了一种基于重构的主元分析(PCA)故障检测改进算法(IRPCA)用于解决过渡过程故障检测问题。利用公共基础矩阵蕴含模式信息量丰富等特点，将过渡过程起始模式和终止模式的公共基础矩阵作为重构算法 的故障方向进行重构，重构之后采用 PCA 方法进行过渡过程监测。（3）根据动态过程特性，提出了多层次和多尺度分离和核独立相似性分析（KICSA）故障分离方法。 其优势在于不会由于不同的工作模式产生的量纲问题或者是数据的量级问题的影响引入到故障分离方法中，尺度的变化也会将特征或能量弱的故障分离出来；根据非线性和非高斯特征等原因，提出 KICSA，将低维线性不可分的变量投影到高维的线性空间， 求出独立元，进而分离出故障相关变量。