【摘 要】
：
由于大规模工业系统流程复杂,厂级过程监测面临着很大挑战。传感器在工业过程中的应用有助于数据驱动监测方案的实施。传统的集中式方法受制于数据计算量大、建模困难,在厂级过程监测中表现不佳。分布式方法作为一种可行的改善方案,有助于降低建模复杂度,提高处理速度,增强监测性能。通过合适的过程分解可以降低单元之间相互影响,这对保障分布式方法的监测性能非常重要。本文对基于典型相关分析（Canonical Corr
【基金项目】
：
项目名称:大数据下复杂流程工业的分布式过程监测与故障诊断（国家自然科学基金项目），项目批准号:No.61973023；
论文部分内容阅读
由于大规模工业系统流程复杂,厂级过程监测面临着很大挑战。传感器在工业过程中的应用有助于数据驱动监测方案的实施。传统的集中式方法受制于数据计算量大、建模困难,在厂级过程监测中表现不佳。分布式方法作为一种可行的改善方案,有助于降低建模复杂度,提高处理速度,增强监测性能。通过合适的过程分解可以降低单元之间相互影响,这对保障分布式方法的监测性能非常重要。本文对基于典型相关分析（Canonical Correlation Analysis,CCA）的厂级过程监测方法进行了以下研究:1、针对变量非线性耦合的厂级工业过程,提出了一种基于局部保持典型相关分析（Locality Preserving Canonical Correlation Analysis,LPCCA）的厂级分布式故障检测方法。采用了互信息节点划分方式,充分考量变量之间的线性和非线性关系,更好反映过程特征;同时将局部结构分析嵌入CCA方法的全局优化目标中,更好地考虑了非线性关系的干扰;采用交替优化算法实现分布式框架下邻居节点信息的接收,以减少监测不确定性。采用核密度估计方法进行置信限的设定。2、针对分布式监测架构下获取的多视角数据形式,提出了一种基于张量典型相关分析（Tensor Canonical Correlation Analysis,TCCA）的分布式故障检测方法,把分析两视角数据的传统CCA方法拓展到多视角数据处理。针对分布式架构下节点中变量选取不当会使检测结果难以解释的问题,采用遗传算法对节点划分过程进行优化;利用TCCA实现了各节点之间的相关性最大化,获得更可靠的投影方向;利用贝叶斯推理决策融合方法实现决策层面的分布式架构的搭建,并基于此对不同故障影响的变量进行了总结。本文所提的两种方法的可行性与有效性通过田纳西伊斯曼仿真平台得到了验证。
其他文献
＜正＞ 江苏及安徽南部的下石炭统发育较好,化石丰富,为我国研究早石炭世地层主要地区之一。近年来,我们在该区系统地观察了一些剖面,并参照安徽省、江苏省区测队的有关资料,作了进一步的整理和分析。根据地层层序、岩石性质和生物群特征,对下石炭统的划分提出初步意见。
虽然隔离壁蒸馏塔（Dividing Wall Column:DWC）能够在一个操作单元内实现三元混合物的分离,且具有较高的热力学效率,但是分离过程仍然具有很强的不可逆性,仍有进一步强化的潜力。为了解决此问题,本文将内部热耦合技术（Internally Heat Integrated Technology）应用于DWC,即将隔板中置的DWC分为两部分（高压段与低压段）,通过高压段向低压段传送热量,降
微小故障对系统影响不明显,难以及时检测,容易演化为影响工业生产的重大故障,对其快速、准确地诊断具有非常重要的研究价值。微小故障多隐藏在正常操作范围内,传统的被动故障诊断方法仅利用系统输入输出数据,难以实现有效、及时地检测。主动故障诊断设计最优辅助信号并注入系统达到增强故障特征目的,从而增强对微小故障的检测能力。然而,辅助信号的引入不可避免地对系统性能造成影响,为此本文提出主动故障诊断和跟踪控制器的
被誉为人工智能领域“明珠”的强化学习在机器人控制、自动驾驶、资源调度等领域蓬勃发展,取得了巨大的成功,这得益于设计符合目标的奖励函数。在实践中,手动设计奖励函数不仅耗费大量的人力物力,而且具有主观性。逆强化学习能够自动构造奖励函数,避免了人为主观偏差,解决了强化学习的瓶颈问题。行为克隆直接从专家示例监督学习获取策略,而逆强化学习先求奖励函数再强化学习获取策略,虽然获取的策略更好,但计算量也大大增加
信息化时代的来临伴随着数据的链式增长,从数据中挖掘分析潜在的高价值信息并用于数据驱动建模引起了科研界和工业界的广泛关注。样本的数量、样本的分布性都在一定程度上对数据挖掘信息产生影响,进而影响数据驱动建模的质量,充足的训练样本和合理的样本分布能够保障模型的鲁棒性和泛化能力。但在某些行业领域例如流程工业中,由于物理传感器本身的限制,使得某些过程数据的采集难度大、获取成本高,并且稳态工艺流程工业得到的数
为了改善多目标哈里斯鹰算法（MOHHO）中非支配解集档案维护过程中搜索效率,本文设计了几种改进方法。通过一系列实验验证了所设计的策略是有效且优于之前策略的,并在解集分布性、收敛快速性、指标优越性三个方面说明了改进的多目标哈里斯鹰算法的优越性,并将改进的算法应用在闭环系统参数辨识上,主要的工作如下:（1）针对MOHHO算法中非支配解集维护过程中收敛速度慢、搜索效率低、易陷入局部最优等缺点,提出了使用
现代过程企业已经广泛应用了计算机控制与管理系统,采集并存储了大量工业过程运行变量的时间序列数据,其中蕴含了丰富的工业过程演变规律和运行知识,可以有效地支持对多变量过程参数进行时间序列预测,建立起保障生产过程安全、稳定和优化的运行环境。常规的工业过程时间序列数据预测通常基于单一的时间尺度,难以兼顾短期、中期和长期预测性能。为此,本论文从多任务学习角度出发,提出了一种利用多时间尺度数据对工业过程多元时
由于生产中常常存在多变量,不确定,强耦合、时滞、非线性等各种问题,常规的控制手段已经无法满足生产过程对控制精度的要求,为了克服传统PID算法的局限,韩京清研究员借鉴传统PID算法的优点,以抗扰作为控制问题的核心,提出了一个全新的控制方案——自抗扰控制系统（Active Disturbance Rejection Control,ADRC）。ADRC以抗扰为核心,通过对系统总扰动进行估计并预先补偿消
强化学习是机器学习领域的一项重要研究方向,近年来与深度学习融合所组成的深度强化学习发展迅速,在多个领域取得了令人振奋的研究成果。其中,策略梯度算法可以被应用于连续动作空间问题的求解,在控制领域具有极大的研究前景。为了平衡强化学习中的探索与开发之间的矛盾,提高策略梯度算法的探索能力,本文课题在“行动器-评判器”框架下,基于最大熵原理,对近端策略优化算法进行了改进。通过对策略网络的目标函数引入熵正则化
报警阈值优化是工业过程智能报警管理的重要内容。由于受到原料及产品调度策略的影响,工业过程会出现多操作工况运行,这对工业过程多变量报警阈值优化提出了挑战。针对此问题论文进行了深入的研究,提出了一种基于流数据聚类的工业过程多工况报警阈值自适应优化方法,它能够在在工业过程出现多工况切换时对多变量报警阈值进行自适应优化,同时,当工业过程监控人因环境发生改变时,也能够对多变量报警阈值进行自适应调整。以下为论