【摘要】：本文源于現(xiàn)代工業(yè)企業(yè)對(duì)“質(zhì)量、效率和效益”提升的實(shí)際需求,充分考慮復(fù)雜工業(yè)過程流程長(zhǎng)、工況復(fù)雜多變、動(dòng)態(tài)、非線性及質(zhì)量相關(guān)故障定位難、傳播路徑復(fù)雜、易演變演化等問題,在傳統(tǒng)的多元統(tǒng)計(jì)、概率分析、機(jī)器學(xué)習(xí)、信息融合、信息論、圖論、模式識(shí)別等理論方法的基礎(chǔ)上,針對(duì)現(xiàn)代工業(yè)生產(chǎn)過程中質(zhì)量相關(guān)故障根源診斷與傳播路徑辨識(shí)領(lǐng)域所面臨的關(guān)鍵科學(xué)問題,從復(fù)雜工業(yè)過程的動(dòng)態(tài)與非線性、層次化監(jiān)測(cè)以及多故障診斷等不同角度深入研究了故障根源診斷與傳播路徑辨識(shí)方法,為有效減少或避免質(zhì)量相關(guān)故障發(fā)生、保證產(chǎn)品質(zhì)量、提高企業(yè)經(jīng)濟(jì)效益提供了理論支撐與技術(shù)保證。取得了如下創(chuàng)新性研究成果:1)針對(duì)復(fù)雜工業(yè)過程建模復(fù)雜、質(zhì)量相關(guān)故障分布范圍廣、定位難、因果拓?fù)鋱D構(gòu)建效率低等問題,提出了質(zhì)量相關(guān)故障根源變量目標(biāo)候選集篩選與因果關(guān)系分析相結(jié)合的故障根源診斷方案。在該方案下,面向復(fù)雜工業(yè)過程的動(dòng)態(tài)特性,構(gòu)建了互信息典型變量分析模型,實(shí)現(xiàn)了質(zhì)量相關(guān)故障檢測(cè);然后,利用廣義重構(gòu)貢獻(xiàn)圖方法篩選了質(zhì)量相關(guān)故障變量的目標(biāo)候選集;最后,通過傳遞熵方法分析了質(zhì)量相關(guān)故障變量間的因果關(guān)系,構(gòu)建了因果拓?fù)鋱D,實(shí)現(xiàn)了動(dòng)態(tài)過程質(zhì)量相關(guān)故障的根源診斷。面向復(fù)雜工業(yè)過程的多工況特性,構(gòu)建了魯棒高斯混合模型,實(shí)現(xiàn)了質(zhì)量相關(guān)故障檢測(cè);然后,通過推導(dǎo)基于貝葉斯推理的魯棒高斯混合貢獻(xiàn)指標(biāo),篩選了質(zhì)量相關(guān)故障變量的目標(biāo)候選集;最后,通過傳遞熵方法初步構(gòu)建因果拓?fù)鋱D,并利用直接傳遞熵方法判斷間接因果關(guān)系,獲取了最優(yōu)因果拓?fù)鋱D,實(shí)現(xiàn)了多工況過程質(zhì)量相關(guān)故障根源診斷。2)針對(duì)基于數(shù)據(jù)提取的因果拓?fù)鋱D可能存在較多的冗余連接,而基于知識(shí)的方法可能存在大量不直觀或重要信息缺失等問題,提出了知識(shí)和數(shù)據(jù)聯(lián)合驅(qū)動(dòng)的質(zhì)量相關(guān)故障傳播路徑辨識(shí)策略。在該策略下,面向復(fù)雜工業(yè)過程的非線性與動(dòng)態(tài)特性,構(gòu)建了非線性動(dòng)態(tài)潛變量模型,實(shí)現(xiàn)了質(zhì)量相關(guān)故障檢測(cè);然后,利用相對(duì)重構(gòu)貢獻(xiàn)圖方法篩選了質(zhì)量相關(guān)故障變量的目標(biāo)候選集;最后,將知識(shí)和數(shù)據(jù)相結(jié)合,通過構(gòu)建分塊貝葉斯網(wǎng)絡(luò),實(shí)現(xiàn)了非線性動(dòng)態(tài)過程質(zhì)量相關(guān)故障傳播路徑辨識(shí)。面向復(fù)雜工業(yè)過程的動(dòng)態(tài)特性,在基于數(shù)據(jù)驅(qū)動(dòng)間隙測(cè)度與貝葉斯推理的局部與全局質(zhì)量相關(guān)故障檢測(cè)結(jié)果的基礎(chǔ)上,利用基于神經(jīng)網(wǎng)絡(luò)架構(gòu)的格蘭杰因果關(guān)系分析方法,實(shí)現(xiàn)了動(dòng)態(tài)過程質(zhì)量相關(guān)故障傳播路徑層次化辨識(shí)。3)針對(duì)全局的建模思想可能會(huì)忽略過程的很多細(xì)節(jié)信息以及質(zhì)量相關(guān)多故障的未知、時(shí)變、多模態(tài)特性,提出了自頂向下的質(zhì)量相關(guān)多故障層次化檢測(cè)與根源診斷框架。在該框架下,面向復(fù)雜工業(yè)過程的動(dòng)態(tài)特性,在基于相關(guān)性典型變量分析與貝葉斯推理的局部與全局質(zhì)量相關(guān)多故障檢測(cè)結(jié)果的基礎(chǔ)上,利用張量子空間判別分析方法,實(shí)現(xiàn)了動(dòng)態(tài)過程質(zhì)量相關(guān)多故障根源診斷。面向復(fù)雜工業(yè)過程的非線性與動(dòng)態(tài)特性,在基于自適應(yīng)核典型變量分析與貝葉斯推理的局部與全局質(zhì)量相關(guān)多故障檢測(cè)結(jié)果的基礎(chǔ)上,利用魯棒稀疏指數(shù)判別分析方法,實(shí)現(xiàn)了非線性動(dòng)態(tài)過程質(zhì)量相關(guān)多故障根源診斷。上述研究成果是針對(duì)復(fù)雜工業(yè)過程質(zhì)量相關(guān)故障的根源診斷與傳播路徑辨識(shí)兩大科學(xué)問題進(jìn)行的系統(tǒng)研究,并制定了相應(yīng)的解決思路和技術(shù)方案。利用帶鋼熱軋過程、田納西-伊斯曼過程數(shù)據(jù)對(duì)這些方法進(jìn)行了驗(yàn)證,并與傳統(tǒng)方法進(jìn)行對(duì)比分析,實(shí)驗(yàn)結(jié)果表明了算法的有效性和實(shí)用性。
【圖文】：

在基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷的眾多方法中，研宄論文和應(yīng)用案例數(shù)量最逡逑多的是多元統(tǒng)計(jì)過程監(jiān)控（Ｍｕｌｔｉｖａｒｉａｔｅ邋Ｓｔａｔｉｓｔｉｃａｌ邋Ｐｒｏｃｅｓｓ邋Ｍｏｎｉｔｏｒｉｎｇ，邋ＭＳＰＭ）逡逑方法，其原理圖如圖１－３所示。其依托的主要理論包括主成分分析（Ｐｒｉｎｃｉｐａｌ逡逑Ｃｏｍｐｏｎｅｎｔ邋Ａｎａｌｙｓｉｓ，ＰＣＡ）、獨(dú)立成分分析（Ｉｎｄｅｐｅｎｄｅｎｔ邋Ｃｏｍｐｏｎｅｎｔ邋Ａｎａｌｙｓｉｓ，逡逑ＩＣＡ）、偏最小二乘（Ｐａｒｔｉａｌ邋Ｌｅａｓｔ邋Ｓｑｕａｒｅｓ，邋ＰＬＳ）、典型變量分析（Ｃａｎｏｎｉｃａｌ逡逑Ｖａｒｉａｂｌｅ邋Ａｎａｌｙｓｉｓ，ＣＶＡ）、費(fèi)舍爾判別分析（Ｆｉｓｈｅｒ邋Ｄｉｓｃｒｉｍｉｎａｎｔ邋Ａｎａｌｙｓｉｓ，ＦＤＡ）逡逑等為核心的ＭＳＰＭ方法。然而，復(fù)雜工業(yè)過程結(jié)構(gòu)龐大，生產(chǎn)過程內(nèi)部機(jī)理逡逑繁雜，運(yùn)行數(shù)據(jù)在記錄、傳輸過程中不可避免地含有各種噪聲、測(cè)量誤差及逡逑－５－逡逑

作為當(dāng)前國(guó)際過程控制領(lǐng)域的研宄熱點(diǎn)，質(zhì)量相關(guān)故障診斷技術(shù)對(duì)于逡逑保障過程安全可靠、減少產(chǎn)品質(zhì)量波動(dòng)、實(shí)現(xiàn)優(yōu)質(zhì)高效起著重要的作用。逡逑圖１－４列出了邋２０１０年１月１日至２０１８年１２月３１日間Ｗｅｂ邋ｏｆ邋Ｓｃｉｅｎｃｅ逡逑數(shù)據(jù)庫(kù)搜索關(guān)鍵詞邋“Ｑｕａｌｉｔｙ－ｒｅｌａｔｅｄ邋ｆａｕｌｔ邋ｄｉａｇｎｏｓｉｓ”、“Ｑｕａｌｉｔｙ－ｒｅｌｅｖａｎｔ邋ｆａｕｌｔ逡逑ｄｉａｇｎｏｓｉｓ”以及“Ｑｕａｌｉｔｙ邋ｍｏｎｉｔｏｒｉｎｇ”得到的統(tǒng)計(jì)結(jié)果。可以看出該領(lǐng)域的研逡逑宄熱度持續(xù)增長(zhǎng)，發(fā)表論文數(shù)量逐年遞增，其中不乏ＩＥＥＥ會(huì)刊、Ｊｏｕｒｎａｌ邋ｏｆ逡逑Ｐｒｏｃｅｓｓ邋Ｃｏｎｔｒｏｌ、ＡＩＣｈＥ邋Ｊｏｕｒｎａｌ邋等頂級(jí)期刊。逡逑２５邋ｐｎ邐１邐１邐，邐１邐１邐，邐１邐逡逑＿逡逑２０１０邐２０１１邐２０１２邐２０１３邐２０１４邐２０１５邐２０１６邐２０１７邐２０１８逡逑Ｙｅａｒ逡逑圖１－４質(zhì)量相關(guān)故障診斷技術(shù)近年發(fā)表文章數(shù)量逡逑從取得的研究成果看，主要研宄方向包括基于多元線性回歸（Ｍｕｌｔｉｐｌｅ逡逑Ｌｉｎｅａｒ邋Ｒｅｇｒｅｓｓｉｏｎ，邋ＭＬＲ）、ＰＬＳ、ＣＶＡ等方法為核心的質(zhì)量相關(guān)故障檢測(cè)技逡逑術(shù)，，以及基于貢獻(xiàn)圖、重構(gòu)貢獻(xiàn)圖等方法為核心的質(zhì)量相關(guān)故障辨識(shí)技術(shù)。逡逑ＭＬＲ方法主要通過研[偣癱淞抗旒５謀浠捶治霾⒃諳嘸嗖庾鈧詹返膩義現(xiàn)柿殼榭觶冢校蹋佑牖冢茫鄭戀姆椒ɡ嗨�，主要区冰樃`諢袢⊥隊(duì)胺藉義舷蚴

本文編號(hào)：2660338