数据驱动的动态过程故障特征提取与模式分析

For monitoring of dynamic processes, this project intends to set a research work on data-driven dynamic informaiton extraction, fault pattern analysis, and process fault diagnosis theory and application aspects. Based on dynamic multivariate statistical analysis techniques, new information extraction methods which are constructed upon multiscale and manifold learning approaches are proposed. For a class of particular transition processes which have strong dynamic data behaviors, this project intends to develop a subspace model based method for fault detection and diagnosis, as well as a novel fault pattern analysis method under the multiscale modeling framework. For pattern analysis, the database for both of the normal and abnormal operation modes are constructed, online fault monitoring and diagnosis are then carried out with the incorporation of the real-time databased and pattern analysis technique. Besides, with the introduction of the Bayesian statistical analysis method, dynamic probabilistic monitoring models are constructed for processes under complicated noisy environments. Corresponding fault reconstruction, diagnosis and classification schemes are also developed based on the dynamic probabilistic modeling method. Achievements of this project will provide significant theoretical and application contributions to typical industiral processes, such as chemical engineering, metallurgic, petroleum and pharmaceutical engineering.

面向动态工业过程监测，开展基于数据驱动的动态特征提取、故障模式分析和过程故障诊断理论及其应用研究。在动态多变量统计分析技术的基础上，提出基于多尺度和流形学习的动态数据特征提取方法；针对动态特性强烈的瞬态过程，提出基于子空间模型的故障检测和诊断方法，并在多尺度建模框架下，给出多模式瞬态过程的故障分析方法；建立动态过程的正常工况和异常工况模式库，利用实时数据库和模式分析技术，实现故障的在线监测和诊断；在复杂噪声环境下，建立基于贝叶斯统计分析的动态概率监测模型，并研究相应的故障重构、故障诊断和分类方法。本项目的研究成果对于化工、冶金、石化以及制药等典型工业生产过程的安全监测具有十分重要的理论意义和应用价值。

本项目针对过程数据具有信息不完备、动态相关、非高斯数据分布和复合噪声等不规则特征问题开展应用基础研究，立足于基于数据驱动方法，着重研究工业过程的关键动态数据特征提取技术、动态过程的数据建模方法、多工况模态和故障模式分析与处理、以及噪声环境下的动态数据建模与监测方法等，提出了一套复杂运行环境下的工业过程系统数据驱动监测新方法。取得的主要研究成果有：1）面向复杂数据分布的工业过程鲁棒监测方法：提出了一套面向不规则数据和动态特性的鲁棒监测与故障诊断方法，能够有效解决离群点、数据缺失、强噪声等影响。2）基于流形学习的非线性动态过程监测与故障诊断：针对动态数据的时序结构特征提取方法：时间空间近邻保持嵌入算法(TSNPE)，以及同时保持数据的非局部结构信息的基于非局部约束的局部保持嵌入算法。3）动态过程的故障分类方法：提出一种基于切换LDS模型的新型动态过程故障分类方法，并进一步针对复杂噪声环境，给出基于概率隐变量隐马尔可夫模型的动态过程故障分类方法。4）非线性动态过程监测与故障诊断：基于高斯状态空间模型，提出了一种基于概率模型框架的动态过程在线监测方法，并给出了相应的故障识别和分离方法。5）基于信息融合的故障决策支持方法与系统软件：构建了一种集成多个故障诊断方法的决策融合系统，并研发了一个基于MATLAB GUI的工业过程故障决策仿真软件平台。部分理论研究成果在大型合成氨生产装置和废杂铜冶炼炉应用验证。