论文部分内容阅读
现代工业系统日趋复杂，为了保证过程安全、产品的高质量，过程监控得到了人们的广泛关注。数据采集和存储技术的不断发展，使得过程数据变得极其丰富，为开展过程监控工作提供了技术基础。然而，这些过程数据维度较高，分布复杂，变量间相关性强数据冗余大，很难直接利用原始的高维数来建立过程监控模型。针对过程数据的高维，分布复杂的特性，虽有降维算法，但是大多数的降维方法会导致过程信息缺失，破坏数据的整体结构，且大多数的降维算法只考虑到数据分布单一特性忽略了数据分布的复杂特性，影响监控性能。本文针对建模过程的降维导致的信息缺失以及过程数据的复杂分布问题，从特征子空间的角度，将原始的高维数据空间分解为多个低维的特征子空间，根据不同的数据分布，对数据进行特征提取，解决了信息缺失和处理复杂数据这两个问题。主要研究内容如下: (1)针对数据的非高斯分布，传统独立元主元分析(Independent Component Analysis，ICA)监控方法存在的信息缺失问题，为保留过程全部信息的，本文提出了基于全变量信息的ICA子空间故障检测方法。该方法依据每个过程变量与独立元空间(IndependentComponent Subspace，ICS)和残差空间(Residual Subspace，RS)的相似性，将原始过程变量分为多个低维特征子空间。单从每个特征子空间来看，数据维度得到降低;并且从整体上看，全部过程变量未经任何的转换，原始数据信息得到了最大保留。 (2)针对既含有高斯分布又含有非高斯分布的数据，本文对传统主元分析(PrincipalComponent Analysis，PCA)改进，从划分高斯块的角度出发，离线建模阶段用PCA，将含高斯信息组成高斯特征子空间，其余非高斯信息组成残差空间。建立故障检测模型后，在高斯特征子空间里，用T2作为检测统计量;在残差特征子空间含有非高斯的信息用支持向量机(Support Vector Domain Description SVDD)作为检测统计量。对于在线测试样本，采用贝叶斯推断将这两个特征子空间中的检测结果整合成一个统一的概率型指标。 针对上述两种方法，本文在理论分析的基础上，采用具有代表性的数值仿真和田纳西伊斯曼(Tennessee Eastman，TE)过程仿真，验证本文所提方法的有效性。