改進主元分析方法及其在化工過程監(jiān)控中的應用.pdf

1、化工過程生產(chǎn)條件較為復雜，其生產(chǎn)裝置往往處于高溫、高壓等極端條件下，因此，即便是一些微小的異常變動也有可能引起整個系統(tǒng)的崩壞，從而導致生產(chǎn)中斷甚至裝置爆炸、毒氣泄漏等一系列后果?；み^程一旦出現(xiàn)故障，不僅會給工廠帶來嚴重經(jīng)濟損失，也會對周圍環(huán)境造成嚴重的破壞，更甚者會威脅現(xiàn)場工人的人身安全。倘若能提前檢測和診斷出過程故障，不但能有效夠縮減停產(chǎn)時間和降低生產(chǎn)成本，也能增強設備運行的安全性，從而保證現(xiàn)場工人的人身安全。
　　主元分析(

2、Principal component analysis，簡稱PCA)是目前化工過程監(jiān)控系統(tǒng)中最為應用廣泛的多元統(tǒng)計分析方法。主元分析方法的基本思想就是對原過程變量進行線性變換，在最大程度地攜帶原變量的有用信息的前提下，提取互不相關且維度很小的主元成分。但是傳統(tǒng)的主元分析方法是一種高斯的、靜態(tài)的、單階段的方法，無法處理工業(yè)過程中的非高斯、動態(tài)、多階段等特性。因此，本文針對主元分析算法的如上缺點，主要做了如下的工作:
　　(1)針對

3、非高斯問題，提出了一種基于數(shù)據(jù)預求和的主元分析算法(Preliminary-summation-based PCA，簡稱PS-PCA)。PS-PCA通過數(shù)據(jù)預求和處理，將過程中的非高斯變量轉化為高斯變量，然后應用主元分析進行過程監(jiān)測。數(shù)據(jù)預求和的另外一個作用在于聚集故障信息，從而使得主元分析算法對過程異常更為敏感，實現(xiàn)更好的故障檢測率。但是預求和的操作同時也會放大離群點的影響，間接地增大了算法的誤報率，該現(xiàn)象也被稱為“求和污染”。針對“

4、求和污染”現(xiàn)象，本文在原算法的基礎上，提出多次驗證的方式區(qū)分離群點和過程故障，同時消除離群點在預求和過程中的影響。該算法在消除正常數(shù)據(jù)中離群點影響的同時，還能利用故障數(shù)據(jù)中的離群點用于提高故障檢測率。
　　(2)針對動態(tài)問題，設計了一種新的動態(tài)過程數(shù)據(jù)結構描述方法，同時提出了兩步PCA方法(two-step PCA，簡稱TS-PCA)。在這種新的動態(tài)結構中，數(shù)據(jù)被分成了兩部分，一部分是動態(tài)成分，代表的是能用歷史數(shù)據(jù)預測的部分;另一

5、部分是新息成分，代表的是每個時刻新加入過程的驅動力。每個時刻的新息成分都是獨立的，同時也存在著固定的期望和方差，所以能用傳統(tǒng)的主元分析方法對他們進行監(jiān)測。因此，本文提出的改進主元分析方法分為兩步:第一步，辨識出過程的動態(tài)結構，并利用該動態(tài)結構提取出過程中的新息成分;第二步，用主元分析方法監(jiān)測這些新息成分。此外，本文還提出了一種基于最小二乘估計法的動態(tài)結構辨識方法，該方法對非穩(wěn)態(tài)階段和穩(wěn)態(tài)階段數(shù)據(jù)均有效。因此，改進的主元分析法不再局限于監(jiān)

6、測過程的穩(wěn)態(tài)階段，也能用于非穩(wěn)態(tài)階段數(shù)據(jù)的監(jiān)測。
　　(3)針對多階段問題，提出了基于隱半馬爾科夫模型(hidden semi-Markov model，簡稱HSMM)的主元分析法。考慮到HSMM非常適合于描述多階段過程:模型中的隱藏狀態(tài)適用于描述過程的各個操作階段，模型中的狀態(tài)轉移矩陣用于描述過程操作階段的切換順序。另外，HSMM還能夠描述各個階段的持續(xù)時間分布。因此，本文將HSMM和PCA進行結合，利用HSMM進行操作階段的劃