造纸过程能量系统的状态监测与异常诊断直接关系到造纸企业的安全稳定运行、能耗水平、产品质量和生产成本等指标,具有重要的工业价值。对于具有非线性、多变量、强耦合等特点的复杂的造纸过程来说,精确的数学机理模型难以得到;随着现代测量技术、传感器技术、自动化技术和计算机技术的高速发展,造纸过程积累了大量的过程数据。因此,如何从这些大量的数据中挖掘出潜在的模式和规则纳入知识库,提高整个生产过程的监测与异常诊断能力,为企业的精益运营提供指导,已经得到了学术界和工业界的高度重视。本论文在造纸过程能源管理系统中获取的大量数据基础上,应用数据挖掘、多元统计和智能优化算法,对造纸过程能量系统的状态监测与异常诊断进行了系统研究。文中采用关联规则挖掘方法,获取了生产能耗与过程变量之间的内在关系;应用遗传神经网络方法对能耗控制图进行了模式识别,以监测过程能耗波动状况;从全局和局部来监测和诊断能量系统的运行状态和变化规律,达到了较好的效果。本论文的主要研究内容包括如下六点:(1)综述了造纸工业能耗特性,对造纸过程能量系统的研究现状进行了描述,详细介绍了工业大数据对全球工业全方位发展的影响,分析了造纸工业对故障诊断分析技术的需求,对故障诊断分析现有的方法进行重点介绍。(2)基于企业能源管理系统中获取的大量历史数据,对造纸过程的耗能情况以及能源流向进行了详细分析,探讨了关键操作参数和环境参数对生产能耗等指标的影响,发现能源利用不合理环节,为企业进一步改善给出建议。(3)采用关联规则算法挖掘造纸过程生产能耗和过程变量之间的内在关系。首先对连续型数据进行离散化分级处理,然后运用Apriori算法产生频繁项集,筛选强关联规则,接着对挖掘结果进行解析,结合工艺分析,将有意义的强关联规则纳入知识库为能量系统异常诊断提供指导。(4)研究了一种将控制图的原始数据作为特征集,以遗传算法优化后的BP神经网络作为分类工具的造纸过程能耗控制图模式识别方法。首先采用Monte Carlo方法获得与实际造纸过程具有相似能耗特性的样本数据,利用BP神经网络对6种控制图基本模式和6种控制图混合模式进行了模式识别,平均识别率为91.75%;针对BP神经网络在控制图模式识别中容易陷入局部最优的问题,采用实数编码的遗传算法对BP神经网络的权值和阈值进行优化,识别率进一步提高到96.08%;结合实际生产过程能耗数据,利用本文提出的网络模型对能耗控制图进行模式识别,从总体上探究生产能耗在不同模式下的波动状况,为能量系统异常诊断提供总体判断的依据。(5)研究了基于核主元分析和核慢特征分析的多变量异常诊断方法。针对造纸过程的非线性、多变量、强耦合等特点,引入了核方法,建立了基于核主元方法和核慢特征方法的造纸过程能量系统的多变量异常诊断模型。基于大量的能源历史信息设计4种不同的异常模式来验证模型的有效性,将主元模型、核主元模型以及核慢特征模型对能量系统全局和局部进行异常诊断,通过对比,核主元模型在异常检测性能上优于经典主元模型和核慢特征模型,核主元模型能够对造纸过程能量系统的异常状况进行及时有效地报警,同时在异常变量源的辨识中表现出较好的可靠性。(6)基于上述研究成果,设计并开发了在线监测与异常诊断软件。该软件基于Visual Studio 2010平台构建,采用面向对象的编程语言C++,并集成了矩阵计算环境实现控制图模式识别和核主元模型的高效运算,以满足造纸过程能量系统在线监测和异常诊断要求。通过在实际造纸过程中的在线应用验证了所设计的在线监测与异常诊断软件的有效性。本论文研究成果的创新点有:(1)提出了一种采用3σ原则对连续型多变量值进行离散化分级的造纸过程能耗数据关联规则分析方法,应用该关联规则方法对造纸过程大量的历史数据进行了挖掘,获得了生产能耗与过程变量之间的关联规则,把关联规则纳入知识库,为能量系统异常诊断提供依据。(2)建立了一种将控制图的原始数据作为特征集,以遗传算法优化后的BP神经网络作为分类工具的造纸过程能耗单变量控制图模式识别模型,能够从总体上探究生产能耗在不同工况下的波动状况,为能量系统的异常诊断提供了总体判断的依据。(3)提出了一种基于核主元分析与核慢特征分析的造纸过程能量系统状态监测与异常诊断方法。该方法能够较好的提取能量系统大样本集的非线性特征,降低多变量之间的相关性,具有较好的异常诊断性能。