【摘要】：工業(yè)過程生產(chǎn)安全是是新一代工業(yè)革命的重要保障之一。過程監(jiān)測(cè)技術(shù)是實(shí)現(xiàn)工業(yè)過程安全生產(chǎn)的重要手段,是保障制造業(yè)轉(zhuǎn)型升級(jí),實(shí)現(xiàn)智能制造的基本技術(shù)之一。隨著數(shù)據(jù)測(cè)量及存儲(chǔ)技術(shù)的飛速發(fā)展,工業(yè)過程中積累了豐富的過程數(shù)據(jù),這些數(shù)據(jù)蘊(yùn)含了豐富的過程信息,因而,數(shù)據(jù)驅(qū)動(dòng)的過程監(jiān)測(cè)方法受到了廣泛的關(guān)注。其中,多元統(tǒng)計(jì)分析的方法因其在處理高耦合、多變量數(shù)據(jù)的獨(dú)特優(yōu)勢(shì)而備受青睞。傳統(tǒng)的統(tǒng)計(jì)過程監(jiān)測(cè)方法往往做了一些理想化的假設(shè)條件,如認(rèn)為建模數(shù)據(jù)往往是充足且規(guī)則的、過程變量往往服從單一的線性關(guān)系或者非線性關(guān)系、過程數(shù)據(jù)往往是來自穩(wěn)定工況等。這些假設(shè)條件使得傳統(tǒng)的統(tǒng)計(jì)過程監(jiān)測(cè)方法在一定的適用范圍內(nèi)取得了較好的應(yīng)用效果。然而,隨著工業(yè)過程的過程特性日益復(fù)雜、過程規(guī)模日益龐大,實(shí)際的工業(yè)過程往往處于一種復(fù)雜的非理想的運(yùn)行工況下,無法滿足理想化的假設(shè)條件,從而導(dǎo)致傳統(tǒng)的統(tǒng)計(jì)過程監(jiān)測(cè)方法性能下降甚至無法適用。間歇生產(chǎn)過程和連續(xù)生產(chǎn)過程是當(dāng)今工業(yè)過程的兩大主要生產(chǎn)方式,且間歇過程由于其多操作階段、周期生產(chǎn)的特點(diǎn)往往具有復(fù)雜的過程特性,而連續(xù)過程的大規(guī)�；厔�(shì)也使得其過程特性日益復(fù)雜,它們的實(shí)際運(yùn)行工況往往違背了理想的假設(shè)條件。因此,以間歇過程和大規(guī)模連續(xù)過程為研究對(duì)象分析實(shí)際工業(yè)過程中的復(fù)雜特性,并針對(duì)其中的典型問題進(jìn)行研究,主要有間歇過程中的小樣本問題、不規(guī)則數(shù)據(jù)問題以及大規(guī)模連續(xù)過程中的混合變量相關(guān)性問題、動(dòng)態(tài)性問題:(1)由于過程反應(yīng)緩慢,一些間歇過程(如生物制藥)往往難以獲取充足的批次數(shù)據(jù)用以分析建模,導(dǎo)致小樣本問題的存在。針對(duì)小樣本問題,本文建立了一種新的數(shù)據(jù)分析單元—泛化時(shí)間片,并提出一種基于泛化時(shí)間片的間歇過程有序時(shí)段劃分算法。該方法通過衡量泛化時(shí)間片中過程數(shù)據(jù)的相關(guān)性從而自動(dòng)有序地識(shí)別間歇過程的多個(gè)時(shí)段,為可靠的過程監(jiān)測(cè)奠定基礎(chǔ)。此外,所建立的子時(shí)段監(jiān)測(cè)模型能隨著建模數(shù)據(jù)的增多而進(jìn)行更新,從而實(shí)現(xiàn)精確的過程監(jiān)測(cè)。(2)由于各種因素的影響,間歇過程往往不能嚴(yán)格地重復(fù)生產(chǎn),因此間歇操作的數(shù)據(jù)長(zhǎng)度也不可能完全相同,導(dǎo)致不規(guī)則數(shù)據(jù)問題。針對(duì)間歇過程不規(guī)則數(shù)據(jù)問題,本文提出一種基于時(shí)間片重組的不等長(zhǎng)時(shí)段有序自動(dòng)劃分算法,通過衡量每個(gè)批次的數(shù)據(jù)相關(guān)性在時(shí)間方向的變化情況對(duì)不規(guī)則的子時(shí)段進(jìn)行識(shí)別,并建立時(shí)段模型提取不規(guī)則的過程特性。此外,考慮到時(shí)間指標(biāo)無法有效指示新樣本的時(shí)段隸屬,本算法對(duì)每個(gè)不規(guī)則時(shí)段進(jìn)行了細(xì)劃分,區(qū)分了兩類時(shí)間區(qū)域,并針對(duì)不同區(qū)域提出不同的在線監(jiān)測(cè)策略。該策略避免了因不規(guī)則時(shí)段識(shí)別錯(cuò)誤而導(dǎo)致的誤報(bào)警情況,從而可以有效改善在線監(jiān)測(cè)性能。(3)由于大規(guī)模連續(xù)過程往往由若干設(shè)備、生產(chǎn)線等構(gòu)成,它們的運(yùn)行機(jī)制不同且相互影響,因此過程變量問往往存在著混合的變量相關(guān)性,即同時(shí)存在線性相關(guān)性和非線性相關(guān)性。針對(duì)混合相關(guān)性問題,本文首次提出混合變量相關(guān)性解耦的思想,并基于該思想提出一種線性關(guān)系衡量以及線性變量組劃分的方法,將過程分解成具有不同變量相關(guān)性的線性子組和非線性子組。在過程分解的基礎(chǔ)上,提出一種兩層的精細(xì)化建模和監(jiān)測(cè)的框架:在底層對(duì)系統(tǒng)局部的線性特征進(jìn)行分析和監(jiān)測(cè);在上層分析和監(jiān)測(cè)過程的全局非線性特性。該方法對(duì)過程的線性特征和非線性特征分別表征和監(jiān)測(cè),可以有效改善大規(guī)模混雜過程的在線監(jiān)測(cè)性能。(4)對(duì)于具有高維度、混合變量相關(guān)性數(shù)據(jù)的大規(guī)模過程,故障易被掩蓋且往往同時(shí)具有線性和非線性的特征,從而導(dǎo)致故障特性難以精確表征。因此,本文在混合變量相關(guān)性解耦的基礎(chǔ)上進(jìn)一步提出復(fù)雜故障特性分解的思想,并基于該思想提出一種分布式的概率故障診斷方法。該方法根據(jù)故障特性將過程分解為不同的子塊,有利于故障特性的精確表征。隨后,根據(jù)子塊所包含的故障特性采用相應(yīng)的建模方法建立分布式的故障診斷系統(tǒng),該系統(tǒng)中不同的子塊模型可以提取不同的故障特征,并通過信息融合技術(shù)進(jìn)行有效融合,顯著改善了故障診斷精度。此外,采用概率的形式來表示故障診斷的結(jié)果,不僅可以有效指示故障類別,還反映了樣本屬于該故障類別的程度,揭示了更豐富的故障信息。(5)由于控制策略切換,產(chǎn)品更改等因素,實(shí)際工業(yè)過程往往存在顯著的動(dòng)態(tài)變化特性。此外,大規(guī)模連續(xù)過程因其包含了多個(gè)運(yùn)行設(shè)備、生產(chǎn)線甚至車間而具有更為復(fù)雜、顯著的動(dòng)態(tài)變化行為。針對(duì)大規(guī)模連續(xù)過程的動(dòng)態(tài)性問題,提出一種基于動(dòng)靜特性分析的分布式協(xié)同建模與監(jiān)測(cè)方法。首先提出一種稀疏慢特征分析算法對(duì)過程數(shù)據(jù)的動(dòng)靜態(tài)相關(guān)性進(jìn)行評(píng)估,并基于評(píng)估結(jié)果設(shè)計(jì)變量組迭代劃分方法自動(dòng)將過程分解為具有不同的動(dòng)靜態(tài)特性的變量子組。隨后,提出一種新的分布式協(xié)同建模方法:在每個(gè)變量子組采用SFA分別表征過程局部的動(dòng)靜態(tài)特性,并采用KSFA算法表征變量子組間的全流程的動(dòng)靜態(tài)特性。該方法從動(dòng)態(tài)和靜態(tài)、局部和全局對(duì)大規(guī)模過程的過程特性進(jìn)行精細(xì)化表征,為過程監(jiān)測(cè)提供更為豐富和關(guān)鍵的信息,從而可以有效提高監(jiān)測(cè)性能。上述方法針對(duì)實(shí)際工業(yè)過程中復(fù)雜特性所帶來的一系列問題提出了新的解決思路,并在數(shù)值仿真例子和實(shí)際工業(yè)過程的仿真實(shí)驗(yàn)中驗(yàn)證了其可靠性和有效性。最后,在總結(jié)本文研究的基礎(chǔ)上,對(duì)未來工作進(jìn)行了展望。
【圖文】：

些“短時(shí)間片”沒有包含充分的批次數(shù)據(jù)以揭示批次方向的統(tǒng)計(jì)波動(dòng)特性，從而導(dǎo)致以傳統(tǒng)逡逑時(shí)間片為數(shù)據(jù)分析單元的統(tǒng)計(jì)建模方法不再適用。因此，需要構(gòu)建一種新的數(shù)據(jù)分析單元。逡逑這里，根據(jù)“泛化時(shí)間片’’的思想１５７１進(jìn)行新數(shù)據(jù)分析單元的構(gòu)造。如圖２．１所示，選取了一逡逑些連續(xù)的“短時(shí)間片”組成了一個(gè)泛化時(shí)間片ｘａａｘｊ）。其中，，（是泛化時(shí)間片所包含的時(shí)逡逑間跨度，故＃表示每個(gè)泛化時(shí)間片所包含的樣本個(gè)數(shù)。ｆ應(yīng)當(dāng)根據(jù)具體過程特性適當(dāng)?shù)剡x逡逑擇。若ｆ過大，則泛化時(shí)間片所包含的時(shí)間維度的波動(dòng)信息過大而導(dǎo)致批次上的波動(dòng)特性逡逑被掩蓋；若（過小，則可能無法提供充足的批次數(shù)據(jù)。一般來說，為了提供可靠的數(shù)據(jù)標(biāo)逡逑準(zhǔn)化信息，６通常的選取范圍為過程變量個(gè)數(shù)的２？３倍［｜３３１。在每個(gè)泛化時(shí)間片所包含的逡逑時(shí)刻中，可以近似認(rèn)為過程特性并未發(fā)生顯著變化，能夠提供較為可靠數(shù)據(jù)標(biāo)準(zhǔn)化信息，逡逑代表當(dāng)前時(shí)刻批次的平均軌跡和波動(dòng)水平。對(duì)于每個(gè)泛化時(shí)間片，數(shù)據(jù)標(biāo)準(zhǔn)化信息與窗口逡逑中部時(shí)間６邋／２對(duì)應(yīng)

浙江大學(xué)博士學(xué)位論文邐第二椝越了？小樣本的間歇過程子時(shí)段劃分、統(tǒng)計(jì)建揆與監(jiān)測(cè)逡逑圖２．３監(jiān)測(cè)系統(tǒng)對(duì)（ａ）正常批次的在線監(jiān)測(cè)結(jié)果（ｂ）故障批次的在線監(jiān)測(cè)結(jié)果逡逑１０邐Ｉ邐ｉ邐ｉ邐ｉ邐Ｉ邐；逡逑：逡逑０邐１００邐２００邐３００邐４００邐５００邐６００逡逑Ｓａｍｐｌｅｓ逡逑１逡逑１０邐邐１邐１邐１邐１邐１邐：逡逑０邐１００邐２００邐３００邐４００邐５００邐６００逡逑Ｓａｍｐｌｅｓ逡逑（ａ）逡逑１邋＾＾１邋＾逡逑１0２／｜｜ｌ邐ｉ逡逑＇0１邐；逡逑！邐＾邐ｉｉ邐：逡逑１00ｌ邐１邐１邐＇邐＇邐１邐逡逑０邐１邋００邐２００邐３００邐４００邐５００邐６００逡逑Ｓａｍｐｌｅｓ逡逑１0２邋邐１邐．邐１邐１邐１邐：逡逑ｍ邋１0１邋－邋Ｊ邋＾邋＊邐－逡逑：逡逑；邐，邐ｉｉｊ：邐ｉ邐ｉ邋＇、－邐；逡逑０邐１
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：TB114

【參考文獻(xiàn)】

相關(guān)博士學(xué)位論文 前1條

1 趙春暉;多時(shí)段間歇過程統(tǒng)計(jì)建模、在線監(jiān)測(cè)及質(zhì)量預(yù)報(bào)[D];東北大學(xué);2009年

本文編號(hào)：2620626