论文部分内容阅读
随着工业过程的复杂性不断增加,有效的性能监控、故障诊断成为保证生产安全、提高产品质量和增加经济效益的关键。由于主成分分析(PCA)、独立成分分析(ICA)只用到过程数据,提取的特征信息能很好表征系统特性,且有效去除冗余,因此以PCA、ICA为代表的多变量过程监测和故障诊断技术已广泛应用于各种工业过程。但PCA和ICA等方法在应用时具有一定的限制条件。例如,PCA方法无法提取数据的高阶特性；ICA方法只能提取非高斯分布的信息。如果不考虑这些前提条件,盲目选择监测方法,则可能导致分析不准,给出错误结论。然而大多实际工业过程中,并不具备过程数据分布的先验知识,这就为过程监测技术提出了挑战。针对上述问题,本文提出了一种基于数据分布特性的多变量过程监测方法。具体内容包括如下：(1)根据马氏距离与F分布关系,提出了一种改进的多元高斯性检验的方法——F统计量的Q-Q图法。此算法无需进行主元分析且考虑了样本协方差矩阵不可逆的情况。(2)提出一种基于数据分布特性的多元统计监测方法。根据数据的统计分布性质,选择适当的建模方法进行过程监测,且在选择模型的同时自动完成离线建模的过程以及控制限的求取。针对线性数据,如果数据服从高斯分布,选用PCA模型；若数据为非高斯分布,选用ICA模型；当数据既包含高斯信息又包含非高斯信息时,选用ICA和PCA结合的模型。(3)将上述算法推广至非线性过程：首先将原空间数据映射到高维特征空间,并利用KPCA进行白化。检验白化数据的分布特性,根据检验结果选择合适的监测方法(KPCA、KICA、Kernel ICA-PCA)(4)成功地将该算法应用到连续退火机组的带钢生产过程监测中。针对带钢生产过程,模型自动选择ICA-PCA方法进行建模,并利用T2统计量、S2统计量和平方预测误差SPE统计量来进行过程监测；当检测到故障发生时,利用贡献图确定引发故障的过程变量。