基于KPLS的工业过程监测方法研究.docVIP

　　基于KPLS的工业过程监测方法研究 第1章绪论 1.1引言 随着控制科学的发展和工业技术的进步，工业系统的生产能力和现代化水平日益提高，生产工艺、生产设备和生产过程也随之愈加复杂。与此同时，此类复杂大系统发生故障的可能性也会越来越大，并且故障产生后果的严重性也会随着系统的复杂程度显著增加，一旦发生故障将很可能会造成巨大的财产损失和人员伤亡。因此，为了保证生产的安全可靠运行，复杂系统的可靠性和安全性迫切需要得到提高，其提高的途径则是对生产过程的异常状况或出现的故障进行有效的监测、诊断和消除。一方面，由于流程工业本身的特殊性，它们的生产过程通常处于高温高压或低温真空等极端环境中；同时，由于很多生产环节均相互关联、相互影响，所以即使是在某个生产环节发生微小故障都有可能会导致整个生产过程突然中断，甚至出现装置爆炸和毒气泄露等危险局面。另一方面，虽然某些故障不会造成生产中断和危险情况的发生，但在生产的过程中，这些故障的累积效应与传播效应将会对产品的质量水平、生产的成本以及原料的消耗等方面造成不良影响，这种情形下虽然生产能够安全运行，但导致企业在规定的时间内无法完成预定的生产目标，企业的综合竞争力也将会受到成本增加的影响，从而损害企业的经济效益。因此，对生产过程进行有效的监控，确保生产安全运行和提高产品质量，对于企业的发展至关重要，这也逐渐成为学术界和工业界关注的主要问题。 .. 1.2工业过程故障诊断方法分类 在过去的几十年里，工业过程的故障诊断问题受到了国内外学者的广泛关注，各种各样的故障诊断方法层出不穷，该领域研究取得了丰富的研究成果。对于出现的各种故障诊断方法，一些学者进行/归纳和分类，产生了不同的分类方式，但这些分类方式在整体上人同小异。传统的分类方式-般将故障诊断方法划分为基f?数学模型的方法、基于信号处理的方法和基于知识的方法三大类，然而，随着近年来理论研究的深入和相关领域的发展，产生了许多新的诊断方法，因此传统的分类方法已经不再适用。其中，国外学者Venkatasubramanian等将故障检测和诊断方法分为基于定性模型的方法、基于定量模型和搜索策略的方法以及基过程历史的方法；文献[11]也从-个新的角度将故障诊断方法进行了分类，分为基于分析模型的方法、基于定性经验知识的方法和基于数据驱动的方法；清华大学的周东华等人通过深入的归纳和总结，对现有的故障诊断方法进行了重新分类，其分类方法如图1.1所示，将故障诊断方法整体上分为基于定性分析的方法和基于定量分析的方法两大类，本文将详细介绍这两类方法的主要内容。 . 第2章基于核PLS的过程监控方法 2.1引言 为了确保流程工业过程的产品质量合格和生产安全，许多过程监控和故障诊断的方法被提出并得到了很好的应用，其中基于多元统计的方法已经被成功地应用于现代工业过程。基于多元统计的方法主要包括主成分分析（PCA)方法和偏最小二乘（PLS)方法等，这两种多元投影方法通过将原始数据投影到低维子空间的方式来处理高维数据的变量相关、测量误差和数据缺失等问题。采用PCA和PLS方法的过程监控通过对正常生产过程的数据建立模型，再对新采样的数据进行分析，从而实现生产过程的实时监控。PCA是应用最为广泛的多元统计方法，它主要是对过程变量（X)进行分解，如果要确定哪些变量的变化对质量变量（F)的影响较大，通常可以采用PLS方法来进行分解。PLS方法是利用质量变量（F)来引导过程变量（Z)样本空间的分解，得到的投影空间反映了过程变量中与质量变量相关的变化，因此它具有比PCA更强的对质量变量的解释能力。PLS模型通常可以用来预测工业过程中的质量变量和监控生产过程的运行性能。长期以来，各种改进的PLS模型被用于质量预测与过程监控，深入研究了过程监控中PLS的几何特性，将标准PLS方法和其它两种改进的PLS方法的监控性能进行了比较。 . 2.2核偏最小二乘（KPLS)算法 PLS算法是将因变量和自变量之间看成是具有线性关系的数据矩阵，所以当数据之间的关系为线性关系时，使用PLS方法可以取得很好的回归效果。如果数据之间的关系呈现出非线性关系，则需要采取把数据投影到高维空间的方式进行处理。根据Cover定理，将复杂的模式分类问题非线性地投射到高维空间比投射到低维空间得到的结果是线性可分的可能性更大。因此，在高维空间里那些数据将会表现出较强的线性关系。KPLS方法就是基于该定理，通过一个简第的核函数将输入空间非线性地投影到高维特征空间，再在此特征空间构造线性PLS模型。本章针对多元统计过程监控的非线性问题，提出了一种基于KPLS的过程监控方法。该方法首先通过核函数将输入数据映射到高维特征空间，再在高维特征空间进行PLS运算。与PLS算法相比，KPLS算法在处理非线性问题时能够很好地建立起输入变量与输出变量之间的非