基于軌跡分析的工業(yè)過(guò)程建模與故障檢測(cè).pdf

1、現(xiàn)代工業(yè)生產(chǎn)過(guò)程中，過(guò)程監(jiān)測(cè)技術(shù)對(duì)于保證過(guò)程正常運(yùn)行，提升產(chǎn)品質(zhì)量有著重要的研究意義和實(shí)用價(jià)值。隨著工業(yè)生產(chǎn)的復(fù)雜化和大規(guī)?；^(guò)程的機(jī)理模型往往難以獲得，而由于計(jì)算機(jī)技術(shù)的發(fā)展和集散控制系統(tǒng)的應(yīng)用，從生產(chǎn)中采集到的過(guò)程數(shù)據(jù)越來(lái)越豐富，這些工業(yè)大數(shù)據(jù)中包含了大量與過(guò)程運(yùn)行相關(guān)的重要信息。因此，如何從海量數(shù)據(jù)中提取過(guò)程特征和有效信息，并進(jìn)一步實(shí)現(xiàn)過(guò)程建模和在線實(shí)時(shí)監(jiān)測(cè)，成為了基于數(shù)據(jù)驅(qū)動(dòng)的過(guò)程監(jiān)測(cè)技術(shù)的研究熱點(diǎn)。近幾十年來(lái)，針對(duì)實(shí)際生產(chǎn)過(guò)

2、程中的各種監(jiān)測(cè)需求，在多變量統(tǒng)計(jì)過(guò)程監(jiān)測(cè)領(lǐng)域涌現(xiàn)出了大量研究成果。傳統(tǒng)的多變量統(tǒng)計(jì)方法往往基于過(guò)程數(shù)據(jù)的理想情況假設(shè)，因而在實(shí)際過(guò)程中的應(yīng)用受到了限制。針對(duì)工業(yè)大數(shù)據(jù)的動(dòng)態(tài)性、非線性、非高斯性和隨機(jī)性等復(fù)雜特性，本文通過(guò)分析過(guò)程數(shù)據(jù)的變化軌跡，以過(guò)程的動(dòng)態(tài)性為主要切入點(diǎn)，將批次過(guò)程和連續(xù)過(guò)程作為研究對(duì)象，解決過(guò)程監(jiān)測(cè)技術(shù)在實(shí)際生產(chǎn)過(guò)程中面臨的一系列問(wèn)題。
　　(1)針對(duì)批次過(guò)程的數(shù)據(jù)動(dòng)態(tài)性和批次數(shù)據(jù)不等長(zhǎng)等問(wèn)題，提出了一種以軌跡分

3、析為主要思想的動(dòng)態(tài)建模和故障檢測(cè)方法。通過(guò)局部差分計(jì)算構(gòu)造軌跡向量，同時(shí)利用即時(shí)學(xué)習(xí)方法搜索并提取相似軌跡，實(shí)現(xiàn)在線多變量統(tǒng)計(jì)監(jiān)測(cè)模型的更新和故障檢測(cè)，改進(jìn)了批次過(guò)程動(dòng)態(tài)故障檢測(cè)技術(shù)并解決了歷史數(shù)據(jù)缺陷等問(wèn)題。在實(shí)際應(yīng)用過(guò)程中，由于基于軌跡向量的方法提取了過(guò)程的變化軌跡和趨勢(shì)，對(duì)于動(dòng)態(tài)過(guò)程有較好的故障檢測(cè)效果，同時(shí)避免了數(shù)據(jù)不等長(zhǎng)和數(shù)據(jù)缺失等問(wèn)題對(duì)在線監(jiān)測(cè)的干擾。
　　(2)針對(duì)批次過(guò)程模態(tài)間過(guò)渡階段的復(fù)雜數(shù)據(jù)特性，提出了一種基于

4、局部軌跡分析和PLS-SVDD算法的過(guò)程建模和故障檢測(cè)方法。由于批次過(guò)程模態(tài)間的過(guò)渡階段數(shù)據(jù)特性十分復(fù)雜，除了包含強(qiáng)自相關(guān)性之外，還包含非高斯性和非線性等其他復(fù)雜特性。同時(shí)，由于該階段的質(zhì)量指標(biāo)對(duì)于過(guò)程前后模態(tài)的正常運(yùn)行有著重要的指導(dǎo)意義，因此對(duì)其進(jìn)行質(zhì)量相關(guān)的故障檢測(cè)是十分必要的。為此，通過(guò)對(duì)局部數(shù)據(jù)軌跡和分布的分析辨識(shí)出過(guò)渡階段并建立對(duì)應(yīng)的PLS-SVDD模型，在利用回歸模型實(shí)現(xiàn)質(zhì)量相關(guān)的故障檢測(cè)的同時(shí)，消除了數(shù)據(jù)非高斯性對(duì)統(tǒng)計(jì)量構(gòu)

5、造和故障檢測(cè)的影響。在對(duì)批次過(guò)程進(jìn)行全局故障檢測(cè)時(shí)，通過(guò)對(duì)過(guò)渡階段進(jìn)行單獨(dú)的局部建模和在線故障檢測(cè)，可以使監(jiān)測(cè)結(jié)果更為可靠。
　　(3)針對(duì)批次過(guò)程監(jiān)測(cè)中遇到的過(guò)程隨機(jī)性和不確定性問(wèn)題，提出了一種基于隨機(jī)優(yōu)化和軌跡分析的故障檢測(cè)方法?？紤]到過(guò)程的動(dòng)態(tài)性以及質(zhì)量相關(guān)故障檢測(cè)的需求，以隨機(jī)優(yōu)化算法為主要思想，計(jì)算包含隨機(jī)參數(shù)的最優(yōu)歷史質(zhì)量軌跡作為故障檢測(cè)的參照軌跡。與此同時(shí)，由于通過(guò)傳感器采集到的歷史數(shù)據(jù)可能包含缺失數(shù)據(jù)或面對(duì)總批次數(shù)

6、較少的問(wèn)題，引入bagging算法對(duì)歷史數(shù)據(jù)進(jìn)行重采樣并構(gòu)造出包含獨(dú)立最優(yōu)質(zhì)量軌跡的多個(gè)監(jiān)測(cè)子模型，并分別設(shè)計(jì)對(duì)應(yīng)的統(tǒng)計(jì)量。在線監(jiān)測(cè)階段，通過(guò)將各個(gè)子模型的故障檢測(cè)結(jié)果利用集成學(xué)習(xí)方法進(jìn)行決策融合，最終實(shí)現(xiàn)質(zhì)量相關(guān)的在線故障檢測(cè)。通過(guò)引入隨機(jī)優(yōu)化的概念，在考慮過(guò)程動(dòng)態(tài)性和質(zhì)量相關(guān)故障檢測(cè)等普遍問(wèn)題的同時(shí)，消除了過(guò)程隨機(jī)性和不確定性對(duì)故障檢測(cè)的影響，相比傳統(tǒng)方法在實(shí)際生產(chǎn)過(guò)程中有更好的監(jiān)測(cè)效果和應(yīng)用價(jià)值。
　　最后，將本文提出的基于