基于数据驱动的多模态多时段间歇过程监测方法研究.pdfVIP

摘要

间歇过程凭借其附加值高、对市场变化反应快和小批量生产等优点，成为

现代制造业中普遍采用的生产方式之一。然而，间歇生产过程容易受到各种不

确定因素的影响。为了保证产品质量和生产安全，建立高效的过程监控系统变

得尤为重要。本文重点研究了具有多时段、多模态和动态特征的间歇过程状态

监测问题。主要工作有以下几方面：

1)针对间歇过程中的时段划分问题，提出了一种基于哈里斯鹰优化算法的

时段自动划分方法。该算法首先以均值误差平方和最小为目标来寻找最优的时

段划分方案，并加入优化重分配框架进行求解，该框架的加入有利于迭代过程

中快速找到全局最优解。其次，通过定义时段划分性能提升百分比参数，达到

了自动确定最优时段个数的目的。最后，建立多时段典型变量分析模型，实现

了对每个子时段的统计建模以及在线监测。

2)针对间歇过程中的模态划分问题，提出了基于分段线性表示-密度峰值聚

类的模态识别方法。该方法首先使用分段线性表示对批次数据进行压缩并从中

提取蕴含的局部特征，之后采用密度峰值聚类算法对压缩后的数据进行分类，

从而实现准确且可靠的模态划分。该算法在计算不同批次之间相似度时综合考

虑了分段矩阵的内部因素相似性和外部结构相似性，提高了间歇过程模态划分

的准确度。

3)针对不等长间歇过程的状态监测问题，提出了基于公共典型变量分析的

故障检测方法。该方法首先利用联合矩阵分解对不同时段的数据矩阵进行处理，

提取时段间的公共信息，之后利用典型变量分析对每个时段的特殊信息部分建

立局部统计模型。每个时段的原始变量空间被分为公共变量主元空间、特殊变

量主元空间以及特殊变量残差空间并分别进行状态监测，可以为后续的故障识

别和诊断提供更多的有效信息。

4)针对间歇过程的动态特性问题，提出了批次内-批次间的二维稀疏典型变

量分析过程监测方法。首先，针对数据批次内和批次间的相关性，构建不规则

数据支持域以实现对过去矩阵和未来矩阵的扩展，并从中选择出与当前测量值

相关性较强的变量。其次，建立基于稀疏典型变量分析的多时段统计模型，并

进一步确定过程状态监测策略。该方法通过惩罚矩阵分解可以产生稀疏的典型

变量，有助于提取过程变量间的主要特征信息以及解释过程变量之间存在的相

关关系。

关键词：动态间歇过程，多时段，多模态，哈里斯鹰优化，公共典型变量分

析，二维稀疏典型变量分析

ABSTRACT

Batchprocesseshavebeenawidespreadmethodofproductioninmodern

manufacturingindustriesduetoitsadvantagesofhighaddedvalue,quickresponseto

changingmarketandsmallbatchproduction.However,batchmanufacturingprocesses

arevulnerabletoavarietyofuncertainfactors.Inordertokeepqualityconsistencyand

ensureprocesssafety,establishingefficientprocessmonitoringsystemsbecomes

especiallyimportant.Thisdissertationstudiesemphaticallyontheproblemofbatch

processmonitoringwithmultiphase,multimode,dynamiccharacteristics.Themain

workincludesthefollowingseveralaspects:

1)Fortheproblemofphasepartitioninbatchprocesses,anautomaticphase

partitionmethodbasedonHarrishawksoptimizationalgorithmisproposed.Firstly,

Harris