基于数据驱动的间歇过程故障监测与诊断研究

Statistical monitoring models based on data-driven methods can be built to detect the running condition of process, identify the abnormal events, guarantee safe and stable operations of processes and thus improve the quality consistency and the profits of enterprise.However,operation mechanism of batch processes is much more complex than that of continuous process. The quality of batch production is liable to deteriorate by uncertainty of materials, equipment conditions and environment. Thus, Multivariate statistical monitoring methods in batch processe fault monitoring and diagnosis is still very much in its infancy,and there are still many problems unresolved. Aiming at multiphase,dynamic, nonlinear and uneven lengths batch data etc characteristics of batch processes, A novel statistical process monitoring strategy is developed for batch process monitoring and fault diagnosis. An adaptive partition algorithm based on the main angle measurement of time slice matrix is researched, to make groundwork of establishing fault monitoring models in different time periods.Data pre-processing method based on statespace identification(SI) is studied,to eliminate the impact of auto- and cross-correlation inherent within the batch data. A new fault monitoring algorithm based on KECA is proposed. Then, the above three methods are combined to form SI-KECA,an integrated fault monitoring strategy for multiphase batch process. Furthermore fault diagnosis algorithms based on signal nonlinear reconstruction are studied. At last, the correctness and feasibility of the control strategies and methods proposed in the project are verified by the simulation and field experiments. The solving of these key technologies provides the necessary theoretical fundamentals and technical support to realize safe, efficient production and saving energy and reducing consumption for chemical enterprises,and is of important theoretical significance and giant practical value.

基于数据驱动的多元统计监控方法是保障生产安全和产品质量的重要工具,但由于工业间歇过程复杂特性等因素的影响，使得多元统计方法在间歇过程故障监测与诊断中尚处于起步阶段，存在许多问题有待解决。为此，本项目针对间歇过程普遍存在的多阶段、动态非线性及批次轨迹不同步等特点，提出一套完整的间歇过程故障监测与诊断新策略。研究基于时间片矩阵主角度度量的鲁棒时段划分算法，为分阶段建模奠定基础；研究基于状态空间模型辨识(SI)的数据预处理方法，用以消除过程动态性影响；首次提出基于核熵成分分析(KECA)的监控算法,解决过程非线性问题，并形成多阶段SI-KECA故障监测策略；研究一种在核空间进行统计量非线性重构的故障辨识方法实现故障进一步诊断；最后通过仿真和现场实验验证上述方法的正确性和有效性。本项目的研究将对我区工业企业实现安全、高效生产及节能减排提供必要的理论依据和技术支撑,具有重要的理论意义和实际应用价值。

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，迫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复杂的过程机理，可通过对历史数据的建模快速准确地捕捉到生产过程中异常工况，进而追溯异常变量。但由于间歇过程的复杂特性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应用中仍存在诸多难题。因此，本课题针对间歇过程数据固有的多阶段、动态非线性以及批次轨迹不同步等特点，提出一套完整的基于数据驱动的故障监测与诊断新策略。具体内容如下：.⑴提出基于时间片矩阵主角度的鲁棒阶段划分算法.间歇过程具有多阶段和非线性的特征，现有算法在阶段划分过程中通常只考虑过程的线性特征，而忽略了过程的非线性特性影响。为此，提出一种基于核熵主元分析(KECA)的相似度指标(呈现显著的角度信息)，依据该指标进行模糊聚类阶段划分，相比传统分类算法，该方法具有更强的鲁棒性。.⑵首次提出基于核熵成分分析(KECA)的监测算法，并形成MSPCA-KECA故障监测策略，解决过程动态非线性问题。.该内容研究由浅及深，分为两个阶段：首先，研究基于状态空间和小波多尺度的消除过程数据动态性的方法。通过比较，最终建立基于改进MSPCA模型可有效消除过程动态性对监控性能的影响。其次，课题组首次提出基于KECA的间歇过程故障监测算法，引入一种新的监控统计量—CS统计量。KECA依据核熵的大小对数据进行降维，使降维后数据分布与原点成一定的角度结构，不同特征信息之间呈现显著的角度信息，用于状态监测效果更佳。.⑶提出基于重构的非线性故障辨识方法，实现故障诊断.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，引入核函数将重构思想推广到特征空间，研究基于非线性重构的故障诊断方法。在此基础上，提出基于标准向量的非线性贡献图(SV-KCD)诊断算法，避免核空间映射问题，有效解决传统贡献图不适于核映射方法的缺陷。.⑷基于KECA算法在风电机组间歇系统故障诊断中的延伸应用研究.将所研究方法拓展应用到风电机组传动链故障诊断，并结合聚合经验模态分解，形成EEMD-KECA的故障诊断算法，取得较好的监测效果，具有一定的推广应用价值。