论文部分内容阅读
近年来,现代工业过程的规模日趋大型化,过程的工艺也日趋复杂化。工业过程的大型化和复杂化使得系统面临的风险越来越大,系统发生故障的概率也越来越高。由于系统的高复杂化,使得未能及时监测到的微小故障可能对生产过程造成极大危害。过程监测技术能够保证生产安全顺利地进行,因此具有极大的研究价值。 传统的多元统计监控方法有着多种限制条件,如过程数据服从单一高斯分布,系统输入和输出变量服从线性关系等。然而实际的工业过程往往不满足以上限制条件。针对实际工业过程遇到的多种问题,本文对传统的多元统计方法进行改进,并提出了一些新的策略和方法。本文主要的研究工作包括: 针对过程数据复杂分布的情况,本文提出了(Independent Factor Analysis,IFA)和(Factor Analysis,FA)联合算法。其中FA算法用于解决IFA算法在实际应用中遇到的问题。首先使用FA辅助IFA选取独立因子数,以进一步减小IFA建模时间;其次使用FA对IFA的残差进行再处理,以解决因独立因子个数选择不当而造成的监控效果不佳的问题。 IFA和FA联合算法的关注点在于减小IFA建模的时间和处理IFA残差空间中的信息。故本文提出了一种双重加权策略的IFA过程监控方法,该方法的重点在于处理独立因子空间中的信息。双权IFA方法首先使用独立因子得分的概率衡量每个独立因子对故障的重要性;其次对重要的独立因子赋予较大的权重,以增强对故障检测有用信息的获取能力;最后使用带权的移动窗口策略以减小检测结果的波动性。 以上提出的策略和方法皆假定过程为线性的。故针对过程的非线性问题,本文提出了一种基于局部线性独立因子模型和贝叶斯推理的过程监控方法。首先,将原有的非线性空间划分成多个局部的线性空间,并且各局部空间建立各自线性模型;其次,各局部空间的故障监控结果依据贝叶斯推理转化成相应的故障概率;最后,综合各予空间的故障概率得到最终故障概率。在各局部空间获取各自的监测结果时,其残差空间和独立因子空间使用以上提出的策略方法,是为了更好地对具有复杂数据分布的非线性过程进行监控。 在对上述决策方法进行分析的同时,使用Tennessee Eastman(TE)过程对提出的方法进行验证,并同其它算法的监测结果进行比较。此外,本文使用某公司的SL-Ⅱ大型乙烯裂解炉作为研究对象,以验证提出方法的实用性。