（化学工程专业论文）基于多尺度主元分析的丙烯聚合过程故障诊断研究.pdf

浙江工业大学硕士学位论文 基于多尺度主元分析的丙烯聚合过程故障诊断研究 摘要 针对丙烯聚合过程的特点，本文提出了一种改进多尺度主元分析 方法该方法以小波分析和主元分析的基本理论为基础，将主元分析 去线性变量相关性的能力和小波变换提取变量局部特征和近似分解 变量自相关性的能力综合起来应用于故障检测，具体研究工作如下： 针对传统主元分析在处理含噪数据时的不足，提出了一种将小波 变换、小波阈值去噪和主元分析结合的方法。首先利用小波阈值去噪 对原始数据预处理，去除噪声和异常点；然后应用小波多尺度分解将 每个变量依次分解成逼近系数和多个尺度的细节系数，把各个尺度的 系数聚集在单独矩阵中，在各个尺度矩阵建立相应的p c a 模型，以 模型统计量控制限为阈值，对小波系数重构，得到综合尺度矩阵，利 用综合尺度p c a 模型进行故障检测，将此方法运用于一个典型算例 中，取得了较好的故障检测效果，证实了该方法的有效性和可行性。 最后将改进m s p c a 方法应用于聚丙烯环管聚合过程。应用结果 表明，改进方法能够及时检测到过程异常情况，并准确诊断到故障发 生的原因。与传统的p c a 、m s p c a 相比，改进m s p c a 减少了误报 率和漏报率，提高了故障诊断的准确性。 关键词：主元分析，多尺度，小波变换，故障诊断 浙江工业大学硕士学位论文 f a i ，td 队g n o s i sf o ri n d u s t r i a i ， p r o p y l e n ep o l 姗r i z a t i o nb a s e do n m s p c a a bs t r a c t i nt h e l i g h t o fs p e c i a lc h a r a c t e r i s t i c so fi n d u s t r i a l p r o p y l e n e p o l y m e r i z a t i o n ，w er a i s e sa ni m p r o v e dm u l t i s c a l ep r i n c i p a lc o m p o n e n t a n a l y s i sm e t h o di sp r o p o s e d b a s e do nt h et h e o r yo fw a v e l e ta n d p r i n c i p a lc o m p o n e n ta n a l y s i s ，m u l t i - s c a l ep r i n c i p a lc o m p o n e n ta n a l y s i si s i n t r o d u c e dw h i c hc o m b i n e st h ea b i l i t yo fp c at od e c o r r e l a t et h ev a r i a b l e s b ye x t r a c t i n gal i n e a rr e l a t i o n s h i p ，w i t ht h a to fw a v e l e ta n a l y s i st oe x t r a c t d e t e r m i n i s t i cf e a t u r e sa n da p p r o x i m a t e l yd e c o r r e l a t ea u t o c o r r e l a t e d m e a s u r e m e n t s m a i nr e s e a r c hw o r ka n dc o n t r i b u t i o no ft h i sd i s s e r t a t i o n a r ea sf o l l o w i n g ： w h e n a p p l y i n gc o n v e n t i o n a lp c a t of a u l td e t e c t i o n ，i tw o u l dl e a dt o f a l s e a l a r mo ft h es y s t e md u et ot h em e a s u r e dd a t ac o r r u p t e dw i t hn o i s e a n do u t l i e r s t 0o v e r c o m et h e1i m i t a t i o n so fc o n v e n t i o n a lp c a 浙江工业大学硕士学位论文 h a n d l i n gt h ed a t ac o r r u p t e dw i t hn o i s ea n do u t l i e r s ， a na p p r o a c hi s d e v e l o p e db yc o m b i n i n gt h ew a v e l e t st r a n s f o r m ，w a v e l e tt h r e s h o l d d e - n o i s i n ga n dp c a t h i sm e t h o du t i l i z e st h ea d v a n t a g eo fw a v e l e t s t r a n s f o r ma n dw a v e l e tt h r e s h o l dd e - n o i s i n gt op r e p r o c e s st h ed a t et o e l i m i n a t en o i s ea n do u t l i e r s u s i n gw a v e l e tt r a n s f o r m s ，t h ei n d i v i d u a l v a r i a b l e s i g n a l s a r ed e c o m p o s e di n t o a p p r o x i m a t i o n sa n dd e t a i l s a t d i f f e r e n ts c a l e s c o e f f i c i e n t sf r o me a c hs c a l ea r ec o l l e c t e di n s e p a r a t e m a t r i c e s ，a n dap c am o d e li st h e nc o n s t r u c t e dt oe x t r a c tc o r r e l a t i o na t e a c hs c a l e ，a n dap c am o d e l i st h e nc o n s t r u c t e dt oe x t r a c tc o r r e l a t i o na t e a c hs c a l e a tl a s t ，t h i sm e t h o di sa p p l i e dt of a u l td e t e c t i o na n dh a sa g o o de f f e c tw h i c hp r o v e st h em e t h o di se f f e c t i v ea n df e a s i b l e t h er e s u l t so fa p p l i c a t i o no np r o p y l e n ep o l y m e r i z a t i o np r o c e s s d e m o n s t r a t et h a t i m p r o v e dm s p c ai s a b l et o e f f i c i e n t l y m o n i t o r p e r f o r m a n c ec h a n g e so fp r o c e s s ，a n da c c u r a t e l yi d e n t i f y f a u l t sa n d d i a g n o s et h ec a u s e so ff a u l t si nt i m e c o m p a r i n gw i t hp c aa n dm s p c a ， i m p r o v e dm s p c ac a nb eu s e dt oe f f e c t i v e l yd e t e c td i f f e r e n tr e s o l u t i o n v a r i a t i o n ，d e c r e a s ef a l s ea l a r m s ，a n di n c r e a s et h er e l i a b i l i t yo fp r o c e s s m o n i t o r i n g k e yw o r d s ：p r i n c i p a lc o m p o n e n t a n a l y s i s ，m u l t i s c a l e ，w a v e l e t t r a n s f o r m ，f a u l td i a g n o s i s 2 浙江工业大学学位论文原创性声明 本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进行研究工 作所取得的研究成果。除文中已经加以标注引用的内容外，本论文不包含其他个 人或集体已经发表或撰写过的研究成果，也不含为获得浙江工业大学或其它教育 机构的学位证书而使用过的材料。对本文的研究作出重要贡献的个人和集体，均 已在文中以明确方式标明。本人承担本声明的法律责任。 作者躲最考冷慨砰s 月蝎日 j i 。 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保 留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借 阅。本人授权浙江工业大学可以将本学位论文的全部或部分内容编入有关数据库 进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 l 、保密口，在年解密后适用本授权书。 2 、不保蔷酣 ( 请在以上相应方框内打“4 ”) 日期：q 怍卜月“日 日期：知r 年j 。月2 么日 锋狐 + 二 、， 鬻 名 名 签 签 者 师 作 导 浙江工业大学硕士学位论文 1 1 引言 第一章绪论 现代科学技术日新月异，现代过程工业逐渐向大型化、复杂化、连续化和自 动化方向发展。人们对过程工业提出了优质高产、低耗、低污染的更高要求，同 时对安全生产也提出了更严格的要求。在实际生产过程中，工人很难从采集的大 量数据中了解到系统运行的状态，在故障发生的前期不能及时反应，并采取相应 的措施，从而导致严重故障的发生。据美国异常工况处理协会( a b n o r m a ls i t u a t i o n m a n a g e m e n tc o n s o r t i u m , a s m c ) 提供的数据表明：在美国石化行业事故中，由 设计失误和设备失效导致的事故4 1 ；而由生产运行中的异常情况或操作失误导 致的事故占5 7 ，其导致的经济损失高达每年2 0 0 亿美元。中国石化总公司的统 计数据也与此结果相近，5 3 的事故是由不正常操作引起的。国内外许多资料表 明，开展生产过程的监控与故障检测及诊断的经济效益是明显的。据日本统计， 在采用诊断技术后，事故率减少7 5 ，维修费降低2 5 - - 5 0 。英国对2 0 0 0 个工厂 的调查表明，采用诊断技术后每年节省维修费3 亿英镑，用于诊断技术的费用仅 为o 5 亿英镑。据有关部门统计，我国每年用于设备维修的费用仅冶金部就达2 5 0 亿元，如果将故障检测与诊断这项技术推广，每年可减少事故5 0 - 7 0 ，节约维 修费用1 0 3 0 ，效益相当可观。因此生产过程的故障检测及诊断问题引起了越 来越多的关注。 因此，如何提高系统的安全性、可靠性，预防和避免影响系统正常运行的故 障的发生，对已经发生的故障及时检测、诊断和排除就成为现代工业生产系统一 个必须解决的重要问题。从事故障检侧与诊断方面的研究并取得技术突破具有巨 大的理论和现实意义。 浙江工业大学硕士学位论文 1 2 故障检测与诊断 所谓故障检测与诊断，总的来说是对被研究系统发生的不被允许的异常情况 的发现、定位、识别和给出排除故障决策的过程。近年来，故障检测与诊断技术 得到了广泛研究。由于每个研究者的研究侧重点的差异，对于这一领域的某些 概念的定义也略有不同。这一节将对本文所使用的故障检测与诊断的相关概念的 含义做出明确解释。 1 ) 故障。根据r i s e r m a n n 和p b a l l 给出的定义，故障是指系统中至少一个特 性或变量的一种不被允许的偏离【l 】。在这个定义下，所谓的不被允许的偏离通常 不是指变量绝对不能离开设定值，而是指变量超出了设定值上下一定幅度的阈 值。通常来讲，在阈值以内的对设定值的偏离可以称作异常，一般来说，它有可 能会造成产品质量一定程度的下降，但不会造成严重的后果；而超出阈值的偏离 则会造成产品质量的恶劣变化或生产设备的损坏，这种变化是不能被接受的，被 称之为故障。广义的来讲，故障可以理解为使系统表现出非所期望的特性的任何 不正常现象； 2 ) 故障检测。故障检测是确定系统是否发生故障的环节，当故障发生时， 故障检测技术应该产生报警动作。这一环节要求所用技术对故障的发生有快速响 应能力，以避免故障影响的扩大，为故障的诊断和排除赢得时间。由于来自工业 系统的观测数据不可避免地含有噪声等不确定因素，因此故障检测技术还要有足 够的抗噪声工作能力，即鲁棒性比较强。通常采用漏报率和误报率作为衡量故障 检测方法优劣的指标； 3 ) 故障诊断。故障诊断一般有广义和狭义两种定义。广义的故障诊断定义 是故障检测与诊断的泛指，狭义的故障诊断的内容则包括对故障部位、程度、种 类、原因的判断以及相应的处理措施。在已有的众多故障诊断的文献中，这些内 容常常被再分为故障分离，故障决策等概念，本文所指的故障诊断是特指对已发 生故障类型的判断。这一环节要求所用技术对不同故障有优良的分离能力，对工 作点变动、故障幅值大小，变量变化方向等有较强的适应能力，对新故障的产生 有识别能力。此外，理想的故障诊断技术还应该有对故障原因和症状的因果关系 的解释能力； 4 1 误报率。误报是指系统没有发生故障而报警。误报率是对故障检测技术 浙江工业大学硕士学位论文 误报程度的描述，对正常工况下数据计算误报率可以衡量故障检测技术的鲁棒 性： 5 ) 漏报率。漏报是指系统发生故障而没有报警。漏报率是对故障检测技术 漏报程度的描述，对故障条件下数据计算漏报率可以衡量故障检测技术的灵敏 性； 6 ) 残差。残差是指实际系统与具有相同物理元件的另一系统或与该系统的 数学模型之间，在相同输入条件下输出值的差别。 1 3 故障检测与诊断分类 目前关于故障检测与诊断的分类标准有多种。按照国际故障诊断权威f r a n k 教授的观点，所有的故障诊断方法可划分为基于解析模型的方法、基于知识的方 法及基于信号处理的方法3 种【2 】。但是，随着多变量统计方法不断地在故障检测 和诊断中得到应用，f r a n k 的分类方法就显得不够全面。有些文献将方法分为两 类，文献【3 】将故障诊断分为解析模型的方法、基于知识的方法及基于数据驱动 的方法。v e n k a t a s u b r a m a n i a 4 在总结f r a n k 、k x a m e r 和m a h 等人的工作基础上以 先验知识( p r i o r ik n o w l e d g e ) 为基础将过程监控方法分成三种类型，即基于定 量模型的方法、基于定性模型的方法和基于过程历史数据的方法。无论是采用哪 种分类方法分类，都不能把各个方法完全区分开，各种方法之间存在一定的交叉 和联系。综合以上的分类方法，本论文将过程监控方法分成四类：基于解析模型 的方法、基于知识的方法、基于信号处理的方法和基于数据驱动的方法。 1 3 1 基于解析模型 基于解析模型的方法发展的最早也最为深入，它需要建立被诊断对象的精确 数学模型，优点是充分利用了系统内部的深层知识，利于系统的故障诊断。该方 法又可以细分为：状态估计的方法，参数估计方法，等价空间的方法。 状态估计的方法一直是研究的热点f 5 嘲，其基本思想是利用系统的定量模型 浙江工业大学硕士学位论文 和测量信号重建某一可测变量，将估计值和测量值之差作为残差，以检测和分离 故障，在能够获得系统的精确数学模型的情况下，状态估计的方法是最直接有效 的方法，然而在实际中，这一条件往往无法满足，所以目前对于状态估计方法的 研究主要集中在提高检测系统对于建模误差、扰动、噪声等未知输入的鲁棒性及 系统对于故障的灵敏度。通常来说，这两个性能指标是相互矛盾和制约的，只能 在两者之间根据具体的设计要求和性能指标进行折衷。常用的方法有：伦伯格观 测器方法，自适应观测器滤波器方法，多重观测器滤波器方法和鲁棒观测器方 法等。 等价空间方法【1 m 1 3 】或是基于直接冗余技术，其基本思想就是利用系统的输入 输出的实际测量值检验系统数学模型的等价幽即一致性拟检验和分离故障，等价 空间方法利用动态系统的暂时冗余关系而总结出来。这个冗余通过在一个时间间 隔内采集传感器的输出量来构成。 参数估计方法【体1 8 】根据模型参数及相应的物理参数的变化来检验和分离故 障，与状态估计方法相比，参数估计法更利于故障的分离，参数估计方法要求找 出模型参数和物理参数之间的一一对应关系，且被控过程需要充分的激励，因此 将参数估计方法和其他基于解析模型的方法结合起来，能够更好的故障检测和分 离。 当使用这类方法时，人们必须知道过程故障的模型参数或状态间的关系。然 而对于复杂过程来说，详细的理论模型往往很难得到，即使能够得到，也需要花 很大的代价。这限制了基于模型的故障诊断方法的应用。 1 3 2 基于知识 基于知识的方法无需系统的定量数学模型，充分利用了专家诊断知识和诊断 对象的信息，特别适合于非线性系统和复杂的大型系统。该方法的内容最为丰富， 也最有生命力。主要有两种：基于症状的方法和基于定性模型的方法。基于症状 的方法有专家系统、模糊推理、模式识别、神经元网络、案例推理等，基于定性 模型的方法主要有定性观测器、定性仿真和知识观测器等。 基于专家系统的智能诊断技术。故障诊断专家系统是研究最多、应用最广的 4 浙江工业大学硕士学位论文 一类智能诊断系统【1 9 1 ，主要用于那些没有精确数学模型或很难建立数学模型的 复杂系统。该方法大致经历了两个发展阶段：基于浅知识的第一代故障诊断专家 系统和基于深知识的第二代故障诊断专家系统。近期出现了两种方法结合的混合 结构的专家系统。 基于模糊理论的方法：基于模糊模型的故障诊断有三种诊断思路，一是基于 模糊关系及合成算法的诊断；二是基于模糊知识处理技术的诊断；三是基于模糊 聚类算法的诊断。模糊逻辑方法模拟了人的思维方式，非常适于含有模糊现象和 不确定信息的系统的诊断，它对和模糊规则接近的故障模式诊断准确，而对新颖 的故障诊断效果较差 2 0 l 。 基于神经网络的方法：人工神经网络( a n n ) 具有非线性映射特性、分布 式存储、并行处理和自学习功能，已广泛应用于复杂非线性系统的故障诊断。 a n n 用于故障诊断主要有以下4 种形式：( 1 ) 用神经网络产生残差信号；( 2 ) 用神经网络进行残差评价分析：( 3 ) 利用神经网络作自适应误差补偿；( 4 ) 直接 利用神经网络进行故障诊断推理。对于复杂系统还可以采用层次分类诊断模型的 多重结构神经网络，以解决单一网络规模庞大、训练时间长和故障空间组合爆炸 的问题。 基于模式识别的方法：当无法得到准确的过程模型时，模式识别方法是进行 故障诊断的一个有效途径【2 1 1 。它首先选择出对故障最敏感的特征参数以建立各 种故障的基准模式集，再由实测的信息根据一定的判别函数和识别算法判断当前 系统属于哪一种故障模式，从而检测和分离出故障。该方法的优点是条理清楚， 诊断规则明确，特别适合具有良好分类特性的复杂故障的诊断，其缺点是必须具 有大量系统的历史样本，故障特征向量和判别函数难以表达和确定，传统的模式 识别方法对新颖故障的诊断无能为力，对故障界限不明确的故障模式诊断效果较 差等，而基于模糊数学和a n n 的模式识别可以有效地改进这些不足。此外，如 何设计出具有鲁棒性的故障诊断算法也是其主要的问题。 基于定性模型的方法：基于定性模型的方法圈注重于系统描述的准确性而 非精确性，可分为基于浅层知识和深层知识的诊断系统，其定性推理技术模仿人 类专家对物理过程的推理，具有系统化描述过程行为的能力。定性仿真和定性观 测器是定性模型方法的重要组成部分。基于定性模型方法无需过多的过程知识， 浙江工业大学硕士学位论文 却增加了计算复杂性，对小故障不太敏感，存在定性知识描述的粗糙和不完备性 以及对定量知识如何利用等问题。 1 3 3 基于信号处理 基于信号处理的方法是一种传统的过程监控的方法，通常利用信号模型，如 相关函数、频谱、自回归滑动平均等，直接分析可测信号，提取方差、均值、幅 值、相位、峭度、频谱等特征值。它回避了建模的难点，适用性强，能够对生产 过程实时数据进行分析和信息提取，应用性较强。基于信号处理的方法包括输出 信号处理，信息融合，小波变换等方法，其中，基于小波变换方法的研究是这一 方向的热点。 小波变换是一种时间尺度分析方法，具有多分辨率分析的特点。它是在8 0 年代后期发展起来的应用数学分支，最初由法国学者d a u b e c h i e s 2 3 1 和m a l l a t u 引入信号处理研究领域。利用小波变换可以进行信号的随机去噪，即小波变换可 以作为一种信号预处理方法用于故障特征的提取和信号去噪：适当的选取小波尺 度，在这些尺度的小波基上对信号进行重构，去掉高频、工频噪声频段内的小波 尺度，可以保证重构的信号只包含系统运行信息及故障信息。基于小波变换的方 法可区分信号的突变和噪声，故障检测灵敏准确，克服噪声能力强，在线故障检 测实时性好，随着小波理论和应用研究的深入，近年来，小波分析与模糊理论、 神经网络、多元统计等方法结合，取得了一些积极的进展【2 5 】阴。 1 3 4 基于数据驱动 基于数据驱动的方法【2 7 】是直接利用过程数据的一种过程监控方法。现代工 业系统，无论是整个工厂还是单独一个生产单元，都是大系统。由于典型的现代 过程都有大量的仪器仪表，大系统会产生大量的数据。虽然可以从这些过程中获 得许多信息，但是要从观测的数据中实现对过程运行情况的评估，己超出了操作 员或工程师的能力范围。数据驱动技术的优势在于它们能将高维的数据变换成低 维的数据，并从中获取重要的信息。通过给过程操作员或工程师计算出一些有意 6 浙江工业大学硕士学位论文 义的统计数字，大大地改善对系统的过程监控。基于数据驱动的监控方法不需要 精确的数学模型，而是采用多元投影方法，将过程数据和质量数据从高维数据空 间投影到低维特征空间，所得到的特征变量保留了原始数据的特征信息，摒弃了 冗余信息，是一种高维数据分析处理的有效工具。基于数据驱动的方法又可以分 为单变量统计方法和多元统计分析方法。单变量统计方法只对生产过程的一些重 要指标单独地实施统计过程监控，主要方法有s h e w h a r t 控制图、累计和图 和指数加权平均图等。随着现代工业技术的发展，单变量统计方法逐渐被多变量 统计方法所取代。多变量统计监控方法主要包括主元分析( p r i n c i p a lc o m p o n e n t a n a l y s i s 简称p c a ) 、部分最小二乘( p a r t i a ll e a s ts q u a r e s 简称p l s ) 、独立成 分分析( i n d e p e n d e n tc o m p o n e n ta n a l y s i s 简称i c a ) ，f i s h e r 判别式分析( f i s h e r d i s c r i m i n a n ta n a l y s i s 简称f d a ) 和规范变量分析( c a n o n i c a lv a r i a t ea n a l y s i s ， 简称c v a ) 等。 以上这四种过程监控方法，每种方法都具有各自的优缺点，因此，没有哪一 种方法对所有的应用来说都是最优的。实际应用的过程监控方案通常是把多种统 计量和方法结合起来，共同应用到故障检测、识别和诊断中。 1 4 聚合过程的特点 对于大型聚合反应装置，其生产具有大规模、连续性的特点，产品质量与温 度、压力、流量等诸多过程变量都息息相关，如果一旦发生故障而停车，再恢复 正常生产条件就需要一个很长的周期，从而带来巨大的经济损失。如果不能对故 障进行有效、及时的处理，甚至有发生更大危害的可能。有鉴于此，如何检测到 聚合过程的故障信息并及时诊断出故障源是一个有重大意义的研究方向。 然而聚合过程观测数据的特点使得这一领域的故障检测与诊断具有非常大 的挑战性。这些观测数据的特点如下： 1 ) 数量大。集散控制系统( d c s ) 所采集的数据点多，其数据存储系统可以 连续不断的保存数据，从而使数据库变得十分庞大。对这么庞大的数据量，用手 工分析几乎是不可能的，它要求用存储量大，速度快的计算机来进行辅助分析。 2 ) 变量多。过程的行为通常是由大量相互关联的变量来体现，因此采用降维 7 浙江工业大学硕士学位论文 的方法才能有效的现实过程行为。 3 ) 过程的不确定性和噪声。这要求有去噪性能好的数据矫正方法，对原始数 据进行预处理。 4 ) 过程变量间的相关性复杂。需要选用能够处理变量间复杂相关性的多元统 计方法。 5 ) 多尺度。实际过程中获取的数据，不仅故障可能发生在不同的时频范围内， 而且过程的能量或功率谱也可能随着时间或频率的改变而改变。 6 ) 不同变量的采样周期不同。在线测量与离线实验室分析是有不同的采样 周期的，而且在线测量的不同物理量，也有不同的采样周期，如流量、温度、成 分等。 7 ) i 9 l l j 量数据冗余。有时对某些关键变量，采用几个传感器同时监测变量的值， 需要考虑过程监测时选取那个传感器的数据是合适的。 由此可见，对于聚合过程的故障数据如果要想取得良好的故障检测和诊断效 果，去噪、降维、提取特征以及去除数据在时间和空间上的相关性往往是必不可 少的技术环节。 聚合过程中的故障种类繁多，分类方法也有多种。根据故障的发生源将故障 大致分为如下几类： 1 ) l 主l 生产设备引起的“结构故障”。如反应器泄漏，管道堵塞，换热器结垢等。 2 ) 控制系统的故障。这类故障包括传感器、控制器、执行器等器件故障。 3 ) l 主l 过程参数变化引起的“参数故障”。例如反应器进料的组分、温度等过 高或过低，催化剂失活等。 4 ) f l j 于误操作引起的故障。这是一类相当严重的故障，它的产生最为防不胜 防，其造成的后果一般也是极为严重的。 5 ) 外界特大扰动引起的故障。比如遇到寒流时，早晚温差引起的冷凝器温度 的波动。 上述种种故障从其产生的后果来看，又可将其分为两大类，一类是“硬故障” 其后果是导致局部或全部设备停车，甚至将产生严重事故，对这类故障的处理应 从保护生产设备，保障生产安全的角度考虑的。另一类是“软故障”，其后果是导 致产品质量的下降或是增加各种能耗，使工作点偏离最优区间。对于这类故障往 浙江工业大学硕士学位论文 往是根据经验和机理知识，通过及时调整操作参数而使系统恢复正常。但“软故 障”往往是许多“硬故障”的先兆。因此对“软故障”的及时预报和诊断是大型复杂 过程的特点和难点 2 8 1 1 2 9 1 。 1 5 主要研究内容 鉴于聚合过程具有的多变量、多尺度、强相关性和高噪声等特点，传统的监 控手段已经越来越不能满足产品质量和系统安全性的要求，多元统计方法中的主 元分析方法不需要精确的数学模型，而是采用多元投影方法，将过程数据和质量 数据从高维数据空间投影到低维特征空间，所得到的特征变量保留了原始数据的 特征信息，摒弃了冗余信息，特别适于处理高维、强相关性的数据。而小波多尺 度分解特性和小波去噪技术的发展使得结合各种方法的优点应用于聚合过程故 障诊断成为可能。多尺度主元分析方法以小波分析和主元分析的基本理论为基 础，将主元分析去线性变量相关性的能力和小波变换提取变量局部特征和近似分 解变量自相关性的能力综合起来应用于故障检测，取得了积极的进展。 应用多尺度主元分析及其改进方法进行过程监控与故障诊断的完整步骤包 括：数据预处理、故障检测、故障识别和过程恢复等。数据预处理包括变量筛选、 自标定、剔除野点、去噪等；故障检测是通过选取统计量，提取故障特征，以确 定故障是否发生；故障识别则是把那些与诊断故障相关联的观测变量识别出来， 进而确定发生故障的原因；过程恢复是指在确定发生故障的原因基础上，通过对 过程进行干预，消除故障，使系统过程恢复正常运行。 本文针对丙烯聚合反应过程，开展故障诊断研究，并涉及对多尺度主元分析 方法进行改进。思路如下： 1 ) 用小波阈值去噪去除过程噪声和异常点。噪声和故障信息在某一方面具 有共同的特征：都不同程度偏离正常值，如果处理不当，噪声会和过程有效信息 混杂，影响模型的准确性。本文在对数据进行多尺度主元分析前，先进行小波阈 值去噪。具体做法是：原始数据标准化后，计算每一列数据的噪声标准差o r 和阈 值t ，采用小波阈值去噪方法去除每- n 数据中的噪声和异常点，使得每一列的 噪声水平普遍较低。这样就避免了水平不等的噪声数据对各尺度建模的影响。 9 浙江工业大学硕士学位论文 2 ) 应用多尺度主元分析模型进行故障检测与诊断。对去噪后的每列数据进 行小波多尺度分解，得到各个尺度的小波系数，在各个尺度上分别建立p c a 模 型，以s p e 控制限为阈值：选取存在显著事件的尺度信息，对每一列数据阈值 处理并重构，用重构后的矩阵建立综合尺度的p c a 模型。利用综合尺度的p c a 模型进行故障检测与诊断。 全文的内容安排如下： 第一章：介绍故障检测与诊断的基本概念和方法分类，分析比较各种方法的 优缺点，分析聚合过程的特点，确定技术路线。 第二章：介绍多元统计方法在化工过程故障诊断中的应用，这些多元统计方 法包括主元分析、部分最小二乘、独立成分分析、费舍尔判别和规范变量分析等， 其中重点介绍了主元分析的应用情况，该章的结尾对多元统计方法进行了总结。 第三章：首先介绍了小波分析理论，介绍了小波多尺度分解和小波阈值去噪 的原理：接下来介绍了基本主元分析的原理以及应用主元分析进行故障诊断的步 骤和具体方法；在此基础上将小波去噪、小波多尺度分解和主元分析结合起来， 提出了一种改进的多尺度主元分析方法，该方法先用小波阈值去噪去除数据中的 噪声和奇异点，进而将各变量进行小波多尺度分解，在各个尺度进行主元分析， 然后在某一尺度综合，利用综合尺度的信息进行故障检测；最后对该方法进行性 能测试，验证方法的有效性。 第四章：将改进多尺度主元分析方法应用于聚丙烯环管聚合过程；首先介绍 了聚丙烯的生产工艺和装置；针对丙烯聚合过程中的环管聚合反应器，选取关键 变量，采用改进多尺度主元分析方法建立模型并进行故障检测与诊断，给出诊断 结果，并与传统的主元分析方法和多尺度主元分析方法对比。 第五章：总结全文，并展望未来的研究方向。 1 0 浙江工业大学硕士学位论文 第二章多元统计方法在化工过程故障诊断中的应用 2 1 引言 现代化工生产过程具有大规模、高复杂性、多变量以及在闭环控制下运行等 特点，生产故障的影响也往往不再是局部的，系统故障产生的机理日趋复杂，故 障的潜在危险性也日益提高。迫切需要提高化工过程系统的可靠性和安全性，以 避免事故发生甚至系统崩溃所造成的经济损失，因此，对故障进行准确及时地检 测、诊断和消除便具有重要的理论和现实意义。 故障诊断技术通过监控生产过程的运行状态，不断检测过程的变化和状态信 息，并在故障发生后，迅速定位故障源，隔离并消除故障，使系统在给定的性能 指标下运行。随着生产设备的智能控制以及d c s 系统的广泛应用，大量化工生产 过程数据通过在线测量或离线分析的方式被记录和保存下来，这些数据具有多变 量、非线性、时变、强耦合和高噪声等特点，传统的监控手段已经越来越不能满 足产品质量和系统安全性的要求，新的故障诊断技术便在这样的背景下蓬勃发展 起来了，其中包括了基于解析模型的方法、基于知识的方法和基于信号处理和多 元统计的方法等。本文评述了基于多元统计方法的故障诊断方法在化工过程中的 应用现状，并重点介绍了几种基于多元统计的故障诊断方法。 2 2 多元统计方法 多元统计方法能将多变量高维数据空间投影到相对独立的低维空间，从中获 取重要信息，以降低分析难度，它不需要精确的数学模型，适合处理高维、强相 关性的数据，但它高度依赖过程数据的数量和质量，所以如何对这些数据进行合 理化处理，提取出关键信息，以准确地诊断出故障是众多学者研究的核心问题。 浙江工业大学硕士学位论文 近年来得到广泛研究的多元统计方法主要包括主元分析法( p c a ) 、部分最小二 乘法( p l s ) 、独立成分分析法( i c a ) 和f i s h e r 判别分析( f d a ) 等。 2 2 1 主元分析 在现代工业过程中，往往需要测量很多过程变量，用以对过程进行监测和控 制。而同一过程中的不同变量间往往存在互相关联的关系，也就是说这些变量不 是互相独立的。比如在精馏塔中，进料组分的变化可以引起各塔板温度、塔顶和 塔底组分等多个变量的变化，这样，摆在过程操作人员面前的画面，是很多过程 变量在同时错综复杂地变化着。在这种情况下，操作人员往往很难对这些变化后 面的真正原因及时地做出正确的判断。这种情况可以被称作“操作人员的信息过 载”。如能将很多相关的过程变量压缩为少数的独立的变量，那么过程操作人员 则有可能从少数几个独立变量的变化中，较容易地找出引起过程变量错综复杂地 变化的真正原因。主元分析是将多个相关的变量转化为少数几个相互独立的变量 的一个有效的分析方法。 主元分析是由p e a r s o n ( 1 9 0 1 ) 最早提出来的。在研究对空间中的一些点进 行最佳拟合直线和平面时，他提出了主元分析的方法。f i s h e r 和m a c k e n z i e ( 1 9 2 3 ) 认为，主元分析在系统响应方差分析方面的用途比在系统建模方面的用途要大。 他们还提出了n i p a l s 算法的雏型。h o t e l l i n g ( 19 3 3 ) 对主元分析方法进行了改 进，使其成为目前被广泛应用的方法。 本世纪3 0 年代以来，个同科学领域的研究人员从不同角度对主元分析进行了 研究，并对它冠以不同名称。比如在数值分析领域被称之为奇异值分解，在物理 学领域中的h o t e l l i n g 变换实际上指的是主元映射。 6 0 年代初，主元分析方法被m a l i n o w s k i 弓1 人化学领域，并被称为主要因素分 析。7 0 年代以后，主元分析方法被广泛地应用到化学，特别是分析化学领域。主 元分析在化工过程中的应用始于8 0 年代末和9 0 年代初。 主元分析可以用来实现下列目标：数据简化、数据压缩、建模、奇异值检测、 变量选择、分类和预报【3 0 1 。 主元分析及其改进方法是在化工过程故障诊断中应用最广泛的多元统计方 1 2 浙江工业大学硕士学位论文 法。假设数据阵脯丹个测量变量，m 个采样次数，对数据阵髓差行p c a 分解，将 中的玎个变量提取为豇个主元，使尼个主元两两不相关，且七小于刀，以达到降维的 目的。p c a 分解方法有协方差矩阵谱分解、奇异值分解、迭代算法等，p c a 分解 后，原始数据空砌解为主元空间和残差空间，主元空间的价主元体现了数据 变化的主要信息，残差空间主要体现测量误差和噪声的影响，因此主元分析可以 抑制噪声的影响。应用p c a 进行化工过程故障诊断，首先对采集到的正常工况下 的数据预处理，并进行主元分析，建立一个反映过程正常运行的主元模型，计算 f l j h o t e l l i n gt 2 统计量、平方预测误差q 或其它统计量，确定出控制限，然后计算 各统计量，若超出控制限则表明系统可能出现故障，最后计算出每个变量对各个 统计量偏差的贡献，绘制成贡献图，根据过程变量贡献的大小可确定哪个变量引 起了过程变化，进而诊断出故障的原因。p c a 的缺点是最高阶的p c a 向量可能不 包含诊断故障所需要的判别力，也不能判断未测量变量所引起的故障。 传统的p c a 只考虑变量之间的空间相关，而实际生产过程中，单个变量本身 还具有时间序列相关特性，为将p c a 应用于处理序列相关数据，w k u 等【3 1 l 提出 了动态主元分析( d p c a ) ，该方法利用时间序列模型a r x ，将时间滞后信息包含 于数据矩阵中进行p c a 处理，应用于t e n n e s s e ee a s t m a n 仿真过程，证实了d p c a 比静态p c a 更适合序列相关数据的故障检测。但d p c a 较难对故障进行有效隔 离，为解决此问题，“等【3 2 】提出了部分动态p c a 方法，该方法可获得具有故障隔 离功能的结构残差，显著提高过程监控性能，该方法有效应用于连续搅拌釜式反 应器故障诊断。 p c a 是一种线性降维技术，然而大多数的化工过程都表现出强烈的非线性， 利用p c a 解决非线性问题可采用基于神经网络的方法和基于核的方法。 k a m p j a r v i 等 3 3 】将两种神经网络( 径向基函数网络和自组织映射图网络) 与p c a 结合用于乙烯裂解过程，解决了非线性问题并实现了在线故障检测和诊断。j u n 等【3 4 】提出了核主元分析法( k p c a ) ，该方法充分利用核函数将输入空间投影到 高维特征空间，再在高维特征空间中利用线性p c a 算法确定主元，以实现很好的 非线性逼近能力，并利用非线性最d x - - 乘法实现核主元分析的变量重构来识别故 障源。 递归核p c a ( r k p c a ) 方法【3 5 】用于非线性过程的自适应监控，r k p c a 算法 1 3 浙江工业大学硕士学位论文 通过将递归奇异值分解推广到核空间，给出了核形式描述的递归k p c a 算法，运 算复杂度比k p c a 明显降低，保证非线性监控模型能够在线更新。多向核主元分 析( m k p c a ) 1 3 6 1 和多尺度核主元分析方法( m s k p c a ) 【3 刀也被用于监控过程的 运行状态。有学者提出了一种基于自组织神经网络与核密度估计的非线性m p c a 在线故障监测方法 3 8 1 ，该方法用自组织神经网络去提取变量间的非线性特征信 息，用核概率密度函数去估计非线性主元的置信限；并将该方法应用b 甘露聚糖 酶补料分批发酵过程的在线故障监测中，取得了很好的效果。 主元个数作为p c a 监测模型的关键参数，其选取直接决定了p c a 的故障诊断 性能。传统的主元个数选取方法主观性较大，且一般不能考虑故障诊断的要求。 文献 3 9 1 通过对主元空间和残差空间中临界故障幅值的分析，提t - - 种基于故障 检测与识别性能优化的主元个数选取方法，并且能够对故障的检测类型、幅值等 重要信息进行预测和估计。通过对双效蒸发过程的仿真故障检测，证实了该主元 个数选取方法的上述优点。也有采用基于故障重构理论确定p c a 模型主元数的方 法，并应用累积方差贡献率以及复相关系数对主元模型性能进行分析评价m 。 针对故障分离和辨识问题，文献【4 l 】在故障重构技术的基础上，研究了基于 f 统计量的故障分离和识别问题，分别获得了主元空间中故障可分离和识别的理 论条件，并提出采用主元相关变量残差( p v r ) 统计量代替通常的平方预测误差 q 统计量，用于工业过程的监测与故障诊断，避免了q 统计量的保守性，能够提 供更详细的过程变化信息，从而有效识别正常工况改变与过程故障引起的t 2 图变 化。为解决p c a 在故障分类方面的不足，可采用一种结合p c a 和连续隐马尔可夫 模型( c o n t i n u o u sh i d d e nm a r k o vm o d e l ，c h m m ) 的故障诊断方法【4 2 】。 p c a 利用历史数据建立主元模型，实现对过程的检测。历史数据通常包含不 正常数据，有时会得出不正确的结论。文献【4 3 】首先利用h o t e l l i n gt 2 图确定分 类数目，然后用k 均值聚类法把数据分成不同的类，最后用f d a 进行故障检测和 诊断，仿真实例验证了该方法的有效性。根据正常生产工况的经过小波分析数据 预处理并归一化后的历史数据建立反映过程正常运行的主元模型，再应用p c a 进 行过程故障诊断，也取得了较好的效果m 。 1 9 9 4 年，p n o m i k o 等将p c a 方法引入间歇过程，提出了多向p c a 方法 ( m p c a ) ，为间歇过程性能监视和故障诊断提供了一条新途径。由于间歇生产 1 4 浙江工业大学硕士学位论文 过程操作条件变化快、非线性严重，并且在操作周期中测量数据不完整，限制了 线性m p c a 方法的在线应用。传统m p c a 在线监视策略的实施需要估计过程变量 未来数据点，这样不仅增加计算量，而且会引人误差【4 5 】。为满足间歇过程实施 监控和故障诊断的要求，各种方法不断被提出。 由于m p c a 是以假设主元得分呈正态分布为前提，m p c a 用于间歇过程时， 存在无法提取复杂的非线性系统变量间的非线性特性、确定t 2 统计量置信限等问 题 4 6 1 。赵立杰提出了一种非线性多元统计分析方法一最小窗口p c a 方法 4 7 1 4 8 1 ，该 方法突破了m p c a 方法单模型、线性化的建模方式，构造了适合间歇生产过程特 点的多模型结构非线性建模方法，并侧重于在线间歇过程性能监视和故障诊断的 实时性，消除了预报未来测量值带来的误差，提高了过程性能监视和故障诊断的 准确率。并给出了最小窗n p c a 在p v c 间