论文部分内容阅读
本文研究的统计监控方法属于过程系统工程中的多变量统计过程控制(Multivariate Statistical Process Control,MSPC)领域,是一类既可离线分析又可在线实施的数据驱动(Data-driven)的方法。由于过程复杂的内在机制、各种随机噪声和干扰的存在、闭环控制器的广泛采用以及实时监控的要求,过程数据往往都存在着与时间相关的动态性,但是对于复杂的多变量系统要建立准确的动态模型十分困难,对于这种动态过程数据的多变量统计监控的是个非常有挑战性的问题。多变量统计监控从目的上来说,与常规的系统辨识、滤波或控制方法需要基于比较准确的动态系统模型来进行推断不同,只是侧重于对反映系统变动的统计指标的描述,籍此本文主要研究了与动态过程数据监控相关的非模型方法,这类方法从统计和统计学习的角度,结合了多元统计分析、质量控制、动态性质的描述和时频变换来完成对动态过程数据的多变量统计监控,避免复杂的模型参数的确定,本文的主要研究工作包括: (1) 针对常规MSPC方法在故障检测、故障变量辨识和故障识别中的难点,提出了多元特征提取方法与基于支持向量机(Support Vector Machine,SVM)的一类分类器设计、特征选择以及多类分类器设计方法相结合的一种完整的改进MSPC方法,其中故障检测方法去除了特征满足特定分布的假设前提,并可确定多个统计量的控制限;故障变量辨识方法中综合考虑了故障对于各个变量大小的影响以及变量变化对于故障分类的重要性,提高了关键变量选择的准确性;而故障识别方法是基于SVM对故障特征分类的优良特性,避免了传统判别法中经验准则的引入。上述方法在标准仿真问题Tennessee Eastman过程上结合主元分析(Principal Component Analysis,PCA)方法进行了应用,结果显示了其有效性; (2) 探讨了动态多变量数据在样本不独立且不满足正态分布的情况下的控制图修正方法,首先指出了用非参数方法调整控制限或者构建考虑了自相关特性的统计量的常规方法,在此基础上结合具有记忆效应的指数加权移动平均(Exponentially Weighted Moving Average,EWMA)控制图和滑动块自举(Moving Blocks Bootstrap,MBB)控制图处理自相关数据的优点,提出了一种改进的滑动块自举法eMBB(EWMA-Moving Blocks Bootstrap,eMBB),该方法首先采用特征提取算法获得隐变量,然后构造新的eMBB自举统计量,以适应更