基于HMM的統(tǒng)計過程監(jiān)控研究.pdf

1、隨著集散控制系統(tǒng)(DCS)在工業(yè)現(xiàn)場中的廣泛應(yīng)用以及測量技術(shù)不斷提高，大量的過程數(shù)據(jù)被采集并存儲下來。由于不需要建立過程機理模型，基于數(shù)據(jù)的過程監(jiān)控方法近幾年來成為過程控制領(lǐng)域的研究熱點之一。理論上，過程數(shù)據(jù)包含任意時刻過程運行狀況的完全描述，關(guān)鍵在于選擇有效，方便的方法來提取和解釋數(shù)據(jù)中的重要信息，從中不僅發(fā)現(xiàn)過程異常，而且還能分離出異常的根源。基于模式識別的過程監(jiān)控方法主要由兩步組成，第一步是從大量數(shù)據(jù)中提取過程特征信息；第二步使用

2、分類器對過程特征信息進行匹配分類，檢測和識別出過程中存在的故障。 本論文運用小波變換和主元分析(PrincipalComponentAnalysis，PCA)等方法對特征提取進行系統(tǒng)、深入的研究，基于隱馬爾可夫模型(HiddenMarkovModel,HMM)進行過程故障識別，提出一些新的過程監(jiān)控和故障診斷方法，具體包括： 1.提出一種基于小波變換和PCA的兩步特征提取方法。通過小波變換的多尺度分析，提取過程數(shù)據(jù)的局部時

3、頻信息；使用PCA消除數(shù)據(jù)之間的統(tǒng)計相關(guān)性，達到優(yōu)化降維目的。與PCA方法相比，經(jīng)過兩步特征提取方法得到的主元特征序列能更好地表征過程運行狀況的本質(zhì)特征信息。 2.使用HMM構(gòu)建主元特征序列的統(tǒng)計模型。采用HMM的混合高斯分布函數(shù)和狀態(tài)轉(zhuǎn)移概率分別描述主元特征序列的非高斯性以及序列相關(guān)性；CSTR過程的仿真結(jié)果表明，基于HMM構(gòu)建的主元特征序列的統(tǒng)計模型能夠準確描述數(shù)據(jù)中的本質(zhì)特征信息。 3.使用HMM進行故障識別研究。

4、首先，使用過程歷史數(shù)據(jù)訓(xùn)練得到各種過程故障工況對應(yīng)的HMM；然后，通過小波變換和PCA從測試數(shù)據(jù)中提取主元特征序列；最后，應(yīng)用HMM對主元特征序列進行分類，識別出過程中存在的故障類型。TennesseeEastman過程的仿真結(jié)果表明，這種方法能對過程中出現(xiàn)的各種故障進行準確的分類和識別。 4.提出一種基于HMM的過程監(jiān)控方法。PCA等大多數(shù)統(tǒng)計監(jiān)控方法假設(shè)過程數(shù)據(jù)服從獨立同分布，這在實際應(yīng)用中很難滿足。由于HMM具有雙重隨機特

5、性，它不僅能夠表征數(shù)據(jù)的動態(tài)特性，而且對數(shù)據(jù)非高斯性也有很強的描述能力。因此基于HMM的過程監(jiān)控方法不需對數(shù)據(jù)分布做上述假設(shè)。使用移動時間窗口截取過程動態(tài)數(shù)據(jù)，可避免PCA方法根據(jù)單一數(shù)據(jù)點進行過程監(jiān)控所造成的數(shù)據(jù)信息不足缺陷，有利于提高故障檢測和診斷的準確性。TennesseeEastman過程的仿真結(jié)果表明，基于HMM的過程監(jiān)控方法比PCA方法具有更強的故障檢測和識別能力。 5.提出一種基于HMM和變長度移動時間窗口的在線故

6、障診斷方法。對于包含大量過程數(shù)據(jù)和眾多故障類型的復(fù)雜工業(yè)過程，要選擇一個合適長度的固定長度移動時間窗口十分困難，為此提出一種變長度移動時間窗口，即窗口長度可以隨著時間發(fā)生變化。當檢測到過程異常后，使用變長度移動時間窗口截取過程動態(tài)數(shù)據(jù)，窗口長度隨著時間不斷增長，從而可以包含更多的過程故障信息，有利于對過程故障做出更為準確、快速的識別與診斷。TennesseeEastman過程的仿真結(jié)果表明，基于HMM和變長度移動時間窗口的在線故障診斷方