论文部分内容阅读
现代工业过程逐渐倾向于生产小批量、多品种、高附加值产品的间歇过程。与连续过程相比,间歇过程生产特性更加复杂,数据具有多阶段,非线性,动态,多批次等特性,对其进行过程监控更加困难。基于多变量统计过程的监控方法不需要过程精确的结构模型,成果能较快地应用于实际工业生产过程中,因此被广泛研究,已成为过程控制领域的研究热点之一。多批次动态核主元分析(BDKPCA)考虑了数据多批次、动态、非线性的特点,能够较好地适用于间歇过程,与多向核主元分析(MKPCA)相比,在线监控时,无须估计未来时刻数据,准确性更高。本文在BDKPCA研究的基础上,详细探讨了核函数的选择问题以及参数的确定问题,并使监测模型的SPE统计量近似卡方分布,得到一个与采样时刻无关的SPE控制限。另外本文还将分时段建模的思想引入BDKPCA方法中,根据过程的物理特性划分时段,对每一个时段建立一个监测模型,充分考虑了不同时段数据变化特征不同的特点。BDKPCA方法未考虑到间歇过程的不等长问题。由于各种原因,实际工业过程不可能完全重复生产,因此每个批次的数据长度也不可能完全相同。本文将特征向量选择(Feature Vector Selection)引入到BDKPCA方法中,并针对间歇过程多批次的特点做出改进,提出了一种基于FVS-BDKPCA的间歇过程多元统计监测方法,这种方法有效地解决了间歇生产过程中批次间数据不等长的问题,而且还大大减少了模型规模的大小,使在线监测时所需存储空间和计算时间均得到了有效地降低。在FVS方法的基础上,本文还对其中特征样本数量的确定问题做出了探讨。FVS的核心思想是通过核函数将原始的非线性数据映射到高维的线性空间中,然后在高维空间中,选取较少的特征样本线性组合表示整个样本集。然而这种方法只考虑了一个批次过程的数据,没有考虑到间歇过程数据成批次的特点。本文提出了一种针对多批次数据的FVS方法,这种方法既考虑了批次数据之间的相似性(使过程中因随机扰动而引起的数据波动不至于影响特征样本的选择),又考虑了批次数据不等长的特性,使每个批次选出一组位置相近数量相同的特征样本,然后进行建模。将本方法运用于青霉素发酵过程中,获得了良好的监控效果。