间歇工业过程的统计建模、在线监测和质量预测精讲.doc

分类号 密级 UDC 学 位 论 文 间歇工业过程的统计建模、在线监测和质量预测 作 者 姓 名 指导导师姓名 教授 院长 东北大学信息科学与工程学院 教授 香港科技大学化学工程系 申请学位级别 博 士 学 科 类 别 工 学 学科专业名称 检测技术与自动化装置 论文提交日期 2004年7月 论文答辩日期 . 学位授予日期 答辩委员会主席 评阅人 东 北 大 学 2004年7月 A Dissertation in Measurement Technology and Automatic Instrument Multivariate statistical modeling, online process monitoring and quality prediction for batch processes by Supervisor: Prof. , Prof. GAO Furong Northeastern University July 2004声 明 本人声明所呈交的学位论文是在导师的指导下完成的。论文中 取得的研究成果除加以标注和致谢的地方外，不包括其他人已经发 表或撰写过的研究成果，也不包括本人为获得其他学位而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中 作了明确的说明并表示谢意。 本人签名： 日 期： 摘 要 为了迎合现代社会瞬息万变的市场需求，现代过程工业正逐渐倚重于生产小批量、多品种、高附加值产品的间歇过程。由于间歇过程固有的多变量、多工序、变量时变性、反应复杂、工序运行时间不确定；以及间歇过程产品市场占有周期短等多种原因，以主成分分析(PCA)和偏最小二乘(PLS)为核心技术的基于过程数据的多变量统计建模方法逐渐成为一个重要的在线监测、故障诊断和质量改进的工具，用于保障生产过程的安全可靠运行以及连续稳定的产品质量。 目前被广泛应用于间歇过程的多向主成分分析(MPCA)和多向偏最小二乘(MPLS)模型，将一次间歇操作的所有数据当作一个样本，虽然可以有效地监视过程的整体运行状况，却很难进一步分析间歇过程中每一个子操作阶段的数据特征。这使得基于MPCA的过程监测算法对幅值较小的故障不甚敏感，而在线的过程监测和质量预测算法在很大程度上依赖于对未来测量值预估的准确程度。 本论文在深入研究间歇过程数据特征的基础上，重点研究间歇过程的多操作阶段特性，结合PCA/PLS在处理高维、高度耦合数据上的优势，提出了一系列基于间歇过程子操作时段的统计建模、过程监测和质量预测算法： 针对产生等长数据的间歇过程，研究过程变量相关关系随操作时间的变化特征，实现对间歇过程的子操作时段划分，并提出基于子时段的PCA建模和在线监测算法。 实际工业过程中，受各种因素的影响，间歇过程的每一次操作周期产生的过程数据长度并不完全相等。因此，针对不等长的间歇过程，提出了改进的间歇过程子时段划分和基于子时段的PCA建模和在线监测算法。 对于那些不容易在短期内获取理想建模数据的间歇过程，提出一种只需要一次正常的间歇操作数据就可以进行子时段划分的方法，以及基于子时段PCA模型的在线监测算法；同时提出了一种模型更新策略，随着建模数据的增加逐渐完善模型以便实现准确可靠的过程监测和故障诊断。 根据多操作时段间歇过程的特点，将间歇过程的产品质量指标划分为“累积型”和“非累积型”两类。对于累积型质量，MPLS模型是比较理想的选择；而针对非累积型质量指标，本文提出基于子时段PLS模型的质量分析和在线质量预测方法。基于子时段的质量分析可以找出产品质量指标和特定子操作时段的关联关系，以及在特定子时段中影响产品质量的关键过程变量。基于子时段的在线质量预测方法不仅模型结构简单实用，而且精度可靠。 这些算法不仅可以深入分析间歇过程子操作时段的过程特征，为每个子时段建立简单实用的二维PCA/PLS模型，而且子时段PCA/PLS模型可以在线监视过程的运行状态或预测产品的质量而不需要未来的过程变量测量数据，这将极大程度地改进并简化