（控制理论与控制工程专业论文）基于ica的fpso生产过程监控系统的研究.pdf

俐7 5 0 6 删5 9y 1 t h e s i ss u b m i t t e dt ot i a n j i nu n i v e r s i t yo f t e c h n o l o g y f o r t h em a s t e r sd e g r e e r e s e a r c ho np r o c e s sm o n i t o r i n g s y s t e m o ff p s op r o d u c t i o np r o c e s sb a s e do n i c a b y h a nm i a o s u p e r v i s o r g a o q i a n g d e c e m b e r2 0 0 9 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取 得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他 人已经发表或撰写过的研究成果，也不包含为获得 墨盗墨墨盘望或 其他教育机构的学位或证书而使用过的材料。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了谢意。 学位论文作者签名：茸移莪 签字日期：2 0 7 0 年- 2 月2 日 学位论文版权使用授权书 本学位论文作者完全了解 墨盗墨墨盘望有关保留、使用学位论文 的规定。特授权墨盗墨墨太鲎 可以将学位论文的全部或部分内容编入 有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编， 以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复本和电子 文件。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：蓟托 导师签名： 高强 签字日期：劢7 口年弓月 9 日 签字日期：7 d 年名月9 日 摘要 随着生产过程技术的发展，海上浮式生产储油卸油系统( f l o a t i n gp r o d u c t i o ns t o r a g e a n do f f i o a d i n g ，f p s o ) 的过程性能监控成为f p s o 技术的一个重要发展方向。本文深入剖 析了多变量统计过程监控方法的发展现状，并详细论述了f p s o 过程监控技术的特点。 以多变量统计过程控制理论、小波分析理论为基础，结合独立成分分析( i n d e p e n d e n t c o m p o n e n t a n a l y s i s ，i c a ) 的建模原理，建立基于i c a 的f p s o 生产过程监控系统。 针对传统多变量统计过程监控技术要求过程信息服从正态分布的约束性，应用基于 i c a 的过程监控方法对f p s o 进行过程监控与故障诊断的研究。本文以“海洋石油1 1 2 号 f p s o ”油气水分离过程的主要过程监控变量为研究对象，通过对油气水分离过程j 下常运 行状态下的历史数据进行小波降噪和独立成分分析，建立优化的独立元模型，利用独立 元模型对“f p s o 生产模拟控制系统”的仿真实时数据进行在线监控，采用s p e 统计量、e 统计量和e 统计量判断系统是否发生故障。检测到异常变化时，使用变量贡献图确定故 障源，实现故障的分离。研究结果表明：对于比较明显的系统故障，传统独立成分分析 和基于小波降噪独立成分分析的过程监控方法都能准确的检测到系统故障，然而对于 系统的细小扰动，与传统独立成分分析方法相比，基于小波降噪独立成分分析的过程 监控方法具有更低的漏报和误报率，提高了过程监控与故障诊断的准确性，从而进一步 验证了该方法的有效性。 以i c a 为过程监控算法，以m i c r o s o f tv i s u a lb a s i c 和m a t l a b 7 o 为开发工具，采用 f p s o 生产模拟系统作为数据环境，建立基于i c a 的f p s o 典型生产流程的生产过程监 控系统，实现对油气水分离系统的在线监控与故障诊断。 关键词：过程监控i c a 小波分析f p s o 故障诊断变量贡献图 a b s t r a c t w i t ht h e d e v e l o p m e n t o fp r o d u c t i o np r o c e s st e c h n o l o g y , p r o c e s sp e r f o r m a n c e m o n i t o r i n gi s a l l i m p o r t a n td e v e l o p m e n td i r e c t i o no ff l o a t i n g p r o d u c t i o ns t o r a g ea n d o f f - l o a d i n gs y s t e m ( f p s o ) t e c h n o l o g y , t h i sp a p e ra n a l y s e s t h ec u r r e n ts i t u a t i o no f m u l t i v a r i a t es t a t i s t i c a lp r o c e s sm o n i t o r i n gc o n t r o l ( m s p c ) m e t h o da n dt h e c h a r a c t e r i s t i co f f p s ot e c h n o l o g yi nt h ef i e l do fp r o c e s sm o n i t o r i n g b a s e do nt h et h e o r yo fm s p ca n d w a v e l e ta n a l y s i s ， b u i l d i n gu pf p s op r o c e s sm o n i t o r i n gs y s t e mw i t hi n d e p e n d e n tc o m p o n e n t a n a l y s i s ( i c a ) m o d e l i n gt h e o r y f o rt h e l i m i t a t i o no ft r a d i t i o n a lm s p cm e t h o d sa s s u m p t i o nt h a tp r o c e s si n f o r m a t i o n m u s tb es u b j e c t e dt on o r m a ld i s t r i b u t i o n ，i c ai sa p p l i e dt of p s of o rp r o c e s sm o n i t o r i n ga n d f a u l td i a g n o s i s s e l e c t i n g18p r o c e s sm o n i t o r i n gv a r i a b l e so fo f f s h o r eo i l112f p s oa s r e s e a r c h o b j e c t ，b u i l d i n gu po p t i m a l o t t l i n ei c am o d e lb yw a v e l e td e - n o i s i n ga n d 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 so fh i s t o r i c a ld a t au n d e rn o r m a lo p e r a t i o n a p p l y i n gi c a m o d e lt ot h er e a l - t i m ed a t ao ff p s os y s t e mf o ro n l i n em o n i t o r i n g , u s i n gs p e ，i ：a n d i ： s t a t i s t i ct od e t e c tt h er e a l t i m eo n l i n et oj u d g ei ft h e r ei sas y s t e mf a u l t ，a n dm a k i n gu s eo ft h e v a r i a b l ec o n t r i b u t i o nd i a g r a mt of i n dt h ef a u l ts o u r c ef o rt h ef a u l ts e p a r a t i o n t h er e s u l ts h o w s t h a t ：t ot h eo b v i o u ss y s t e mf a u l t s ，b o t hp r o c e s sm o n i t o r i n gm e t h o d so fi c aw i t hw a v e l e t d e n o i s i n ga n dt r a d i t i o n a li c ac a nd e t e c t f a u l t sa c c u r a t e l y ；h o w e v e r , t os m a l ld i s t u r b a n c e s ， c o m p a r ew i t ht r a d i t i o n a li c a ，t h ei c ap r o c e s sm o n i t o r i n gw i t hw a v e l e td e n o i s i n gh a sl o w o m i s s i o na n df a l s ea l a r mr a t e ，i m p r o v e st h ea c c u r a c yo f p r o c e s sp e r f o r m a n c em o n i t o r i n g ，a n d f u r t h e rt e s t i f i e st h a tt h ev a l i d i t yo fl c aw i t hw a v e l e td e - n o i s i n g b u i l d i n gu pf p s ot y p i c a lp r o d u c t i o np r o c e s sm o n i t o r i n gs y s t e ma d o p t i n gi c aa s p r o c e s sm o n i t o r i n ga l g o r i t h m ，m i c r o s o f tv i s u a lb a s i c6 0a n dm a t l a b7 0a sad e v e l o p m e n t p l a t f o r m ，a n d f p s os i m u l a t i o na n dt r a i n i n gs y s t e m a sr e a lt i m ed a t ae n v i r o n m e n tt or e a l i z e o n l i n em o n i t o r i n ga n df a u l td i s p l a yo ft h eo i l g a s w a t e rs e p a r a t i o ns y s t e m k e yw o r d s ：p r o c e s sm o n i t o r i n g ，i c a ，w a v e l e ta n a l y s i s ，f p s o 目录 第一章绪论1 1 1 引言1 1 2 过程监控基本概念1 1 3 过程监控的常用技术2 1 3 1 基于解析模型的方法3 1 3 2 基于知识的方法3 1 3 3 基于数据驱动的方法4 1 4 基于多变量统计方法的过程监控的研究现状5 1 5 基于f p s o 过程监控的技术特点5 1 6 本文主要研究内容6 第二章基于独立成分分析的过程监控理论8 2 1i c a 概j 2 蓬8 2 2i c a 的基本模型及约束条件8 2 2 1i c a 的基本模型8 2 2 2i c a 的约束条件9 2 3i c a 的估计原理1 0 2 3 1 非高斯最大化1 0 2 3 2 互信息最小化1 2 2 3 3 极大似然值估计1 2 2 4i c a 的基本算法1 2 2 5 本章小结1 4 第三章基于小波降噪独立成分分析方法的过程性能监控1 5 3 1 引言l5 3 2 小波降噪分析1 5 3 2 1 小波变换的基本理论l5 3 2 2 小波降噪的基本原理1 7 3 3 过程监控i c a 模型的建立18 3 3 1 数据预处理18 3 3 2 过程监控模型的计算2 0 3 3 3 统计量控制限的确定2 l 3 4 变量贡献图2 3 3 5 基于小波降噪i c a 的过程监控仿真2 3 3 5 1 离散系统多变量过程2 3 3 5 2f p s o 油气水分离生产流程2 5 3 6 本章小结3 7 第四章基于i c a 的f p s o 生产过程监控系统3 8 4 1f p s o 典型流程过程监控系统概述3 8 4 2o p c 数据通讯的实现。4 0 4 2 1o p c 技术4 0 4 2 2o p c 数据采集模块的实现4 1 4 3 离线独立元模型训练。4 3 4 3 1 离线去噪分析4 3 4 3 2 独立元模型的建立4 4 4 4 在线监控4 5 4 5 本章小结4 6 第五章总结与展望4 7 5 1 总结4 7 5 2 展望4 7 参考文献4 9 发表论文和科研情况说明5 2 致j 谢5 3 第一章绪论 1 1 引言 第一章绪论 流程工业是国民经济发展中占主导地位的支柱产业，在工业结构中，流程工业涉及 的行业十分广泛，主要包括石油、化工、冶金、制药、电力等原材料加工和能源工业， 其生产过程高度复杂，强调生产过程的实时性和连续性，需要严格的过程控制及相应的 安全性措施，同时还具有工艺过程固定、生产周期短、产品生产批量大等特点【i 】。 随着计算机科学的发展，尤其是计算机技术、自动控制技术、通信技术水平的日益 提高，流程工业的生产规模不断扩大，信息集成化程度逐步提高，工艺流程同益精细化， 致使流程工业中故障发生的机率越来越大；同时，市场竞争的加剧，能源、环保要求的 提高，迫使人们将流程工业过程控制的安全性和可靠性问题摆在首要位置，如果生产过 程中的微小异常变化不能及时排除，不仅会让企业蒙受巨大的经济损失，而且严重威胁 着人身安全，造成严重的环境污染。为了保证生产的稳定、高效、安全运行和产品质量 的一致性，对流程工业的复杂生产过程进行快速有效的实时监控显得越来越重要，作为 其中一个可靠的解决手段，工业过程性能监控和故障诊断逐步成为过程控制领域的研究 热点，并成为保障控制系统可靠性的主要技术，对于实现流程工业生产过程的高效、安 全、稳定运行有着非常重要的指导意义。 1 2 过程监控基本概念 流程工业中的过程监控又称故障诊断，它与标准过程控制既有具有相似之处，两者 都是在生产过程受到扰动或发生异常变化时，采取一定的措施，使系统工作保持稳定， 进而提高系统的工作性能。 从广义上讲，过程监控主要通过对过程监控系统中状态信息与专家经验知识的综合 分析，得出系统的实时运行状态来最终确定异常变化情况的过程。实时有效的过程监控 可以提高系统运行的安全性和保障性，减少停产时间，降低生产成本，优化其生产结构。 过程监控系统主要对生产过程的运行状态进行监督，不断检测过程的变化和故障信息， 以防止灾难性事故的发生，同时减少产品质量的波动等【2 】。 过程监控的目的主要是监视生产过程的运行状态，推断系统是否j f 常运行，通过不 断检测过程变化和故障信息，提高过程系统运行的安全性和可靠性。过程监控的目标就 是推导出对所有可能的故障都具有最大灵敏度和鲁棒性的量度，通过对过程异常变化的 分析来判断系统的运行状态，最终确定故障的类型、强度和时间，即确定故障状态的原 因。必要时通过相应的干预措施改善系统的运行现状。过程监控的核心为过程故障检测。 第一章绪论 对于大多数流程工业系统而言，过程监控的任务由低级到高级主要包括过程故障检测、 过程故障识别、过程故障诊断、过程故障评价与决策。 过程故障检测：通过对生产过程特征信息进行分析，判别其是否超出预定的范围， 确定系统是否有故障发生。较早检测到故障可以对即将出现的问题做出重要的警告，进 而采取适当措施避免它发展为重大的过程故障，使最终产品质量不受影响，或损失减到 最小。 过程故障识别：根据检测到的故障信息，识别出与故障最密切相关的观测变量，以 便更好的分析故障的成因，减少恢复受控运行状况的时间。 过程故障诊断：此处是指狭义的故障的诊断，仅指根据上面的结论以及其他知识确 定哪种故障发生了，具体的说就是最终确定故障的类型、强度以及发生的时间位罱，换 句话说就是确定故障状态的原因。 过程故障评价与决策：判断故障的发展趋势以及对监控对象的影响，并针对不同的 工况采取不同的措施，确保过程的正常运行。 一般来讲，工业过程监控图1 1 所示如下： 1 3 过程监控的常用技术 图卜1 工业过程监控图 传统的过程监控技术是采取阈值检测和偏差检测。如果观测值超过预定义的阈值， 即产生报警。这种方法容易于实现和理解。但是当系统的状态变化时，对应原阈值就不 再适用，另外，它没有考虑过程变量之间的相互作用，它对过程的干扰缺乏灵敏性。偏 差检测是通过比较仿真数值和实际观测值，根据一致性情况来产生报警。偏差检测直接 依赖于模型的准确性，模型的不准确在实际中是不可避免的。因为很难将真正的故障和 模型的误差区别开来，所以偏差检测缺乏鲁棒性【3 】。 1 9 7 1 年，b e a r d 首次提出基于解析冗余的过程监控与故障诊断思想，促进了过程监 控体系的完善。由于过程监控的核心为故障检测及诊断，因此故障诊断的分类方法同样 适用于过程监控。 到目自订为止，随着统计学、信号处理、智能理论的引入，过程监控技术得到了极大 的发展，过程监控方法也有了不同的分类。目前，对于整个过程监控的领域，过程监控 方法可以分为基于解析模型的方法、基于知识的方法、基于数据驱动的方法三种【4 】。 2 第一章绪论 1 3 1 基于解析模型的方法 基于解析模型的方法主要依赖于精确的过程模型，是通过对解析量度残差的统计 分析来进一步实现过程监控和故障诊断的技术【5 1 ，其中残差是由被监控对象的过程观测 信息和重构过程特征信息之间的比较而得出，是两者之间一致性比较的结果。在理想状 况下，如果过程发生异常变化，残差或他的变形将会显著的偏离零点，然而如果只受系 统扰动或者是过程噪声的影响，那么残差对于零点的偏移只会比较微小。该方法依赖于 精确的过程模型，然而实际工业系统复杂庞大，很难建立精确的数学模型，所以该方法 存有一定的局限性。 依据解析度量形式的不同，该方法又可以分为基于参数的估计方法、基于状态的估 计方法和等价空间法三类。 状态估计方法 状态估计方法主要利用状态估计信息和可观测信息构造解析量度，通过对解析量度 的分析，进一步实现过程控制系统的过程监控与故障检测。由于实际过程数学模型的很 难确立，所以状态估计方法的研究重点倾向于在自适应能力方面。 令参数估计方法 故障系统的估计参数主要包括系统参数和故障参数。因此，可以根据估计参数的不 同，基于参数估计的过程监控方法又可以分为基于系统参数的估计和基于故障参数的估 计。两者均可以通过系统参数与估计参数的变化来实现故障的检测和识别，相对于其他 的基于解析模型的方法，更好的实现了故障的识别。 等价空间法 等价空间方法是一种无阈值的方法，主要利用线性多变量系统的数据重叠关系而总 结得到，特别适用于维数较低的被测量变量的冗余信号的优劣判断。 1 3 2 基于知识的方法 基于知识的方法就不需要被监控对象的精确数学模型，主要利用了人工智能的方 法，适用于有大量生产经验和工艺知识可以利用的场合。 目前研究的比较深入也比较广泛的基于知识的过程监控方法是基于症状的方法，主 要有以下几种： 令基于专家系统的智能诊断方法 专家系统的故障诊断方法，是指计算机在采集被监控对象的过程信息后，在一定推 理机制指导下，综合各种规则，进行一系列的推理判断，快速的找到最终故障或者最有 可能的故障的过程，目前已广泛用于工业过程监控系统中。 专家系统故障诊断其根本目的在于利用专家的领域知识，经验为过程监控与故障诊 断服务，但它的应用依赖于专家的领域知识的获取，知识获取是一个难点。另外在自适 应能力、学习能力及实时性方面也都存在不同程度的局限性。 令基于模糊理论的方法 该方法的总体思路是利用集合论中的隶属函数和模糊关系矩阵的概念来解决故障 第一章绪论 和征兆之间的不确定性关系，完成故障检测，确定故障源。基于模糊理论的方法适用于 测量值较少，过程可观信息模糊且无法获取精确数学模型的系统，由于该方法不具备自 学习能力，模糊规则过多依赖于经验等诸多原因，致使对新的故障诊断效果不佳【6 】。 令基于模式识别的方法 模式识别方法是对多变量过程进行故障检测与识别的有效途径。它首先选择出对故 障敏感的特征参数进行训练处理，提取关键信息，以建立各种故障的基准模式集，再由 实测的信息采用模式匹配算法与已建立的故障基准模式集进行模式匹配，从而检测和分 离出故障。基于模式识别方法的困难在于如何表达相同故障的特征且必须具有大量系统 的历史样本。 令基于神经网络( a n n ) 的方法 由于a n n 具有记忆、自学习、和能拟合任意连续非线性函数的能力以及它的并行处 理、全局作用的能力，使它在处理非线性问题和在线估计等方面具有很强的优势，在复 杂系统的故障诊断中得到了广泛的重视。目前人工神经网络主要有三种应用方式：( 1 ) 神 经网络直接用于过程故障检测；( 2 ) 神经网络作为数学工具应用于解析模型的方法中； ( 3 ) 神经网络与其他过程监控方法的综合应用。但是，神经网络结构和规模选取的未知 性导致算法的收敛性、实时性、快速性难以保证。 1 3 3 基于数据驱动的方法 目前，工业过程通常拥有丰富的可观测变量数据，为能够更充分的利用过程观测数 据，可以采用不同的多变量统计分析方法完成过程观测数据的压缩来获取数据的特征信 息，进而实现有效的过程在线监控与故障诊断，保证系统的安全、快速、稳定运行。该 方法的可使用性很强。 基于数据驱动的方法可以利用多变量统计过程控制方法完成对过程监控数据特征 信息的空间划分，在线过程监控时，分别通过对过程特征信息主部空间和余部空间的分 析，判断与之相应的过程特征信息在幅值和结构等方面的变化，从而实现过程过程性能 监控与故障诊断。该过程监控方法主要包括：费舍尔判别分析( f d a ) ，主元分析( p c a ) ， 规范变量分析( c v a ) 等1 7 j 。 数据驱动方法严格的是建立统计研究的基础上，其优势在于保留了过程变量间关系 结构的同时，能够把过程观测数据投影到准确表征过程动态变化的低维空问，进一步提 取过程特征信息，然后采用数理统计分析方法计算站主导地位的统计数据，进一步提高 过程监控性能，减少企业不必要的损失。 基于数据驱动的过程监控方法以过程观测数据为基础，而无需建立过程解析模型， 通用性强。目前，基于数据驱动的方法对于实现过程性能的监控具有更实际、普遍的意 义。与此同时，在分析过程数据的一j 时我们也必须要考虑其过程数据质量，大小，数据 的时变性，数据的多尺度性，数据的非线性，数据的动态特征等问题。 本文研究的是f p s 0 流程工业生产过程监控问题。以“f p s 0 生产模拟控制系统”项 目作为研究背景，针对f p s 0 典型生产流程一油气水分离过程，开展基于数据驱动方法的 工业过程性能监控的研究，既有理论意义又有很高的应用价值。 4 第一章绪论 1 4 基于多变量统计方法的过程监控的研究现状 流程工业中生产过程复杂，规模大，难以建立准确的数学模型。另一方面，流程工 业中传感器获取过程数据的更新速度快，均为实现基于多变量统计方法提供了基础。多 变量过程统计方法是在单变量统计的基础上发展起来的，近几年来多变量过程监控方法 在生产过程中得到了广泛的研究与成功的应用【8 】。 多变量统计分析方法的本质是投影降维。其主要思想是将观测变量所组成的高维数 据空间投影到由主元变量或者隐变量组成的低维数据空间，其中，主元变量或者隐变量 均描述了过程变化的主要特征。 目前传统多元统计过程方法主要有p c a 、p l s 、c v a 等，其中p c a 的理论研究较多。 p c a 方法在统计过程控制领域中应用已经较为普遍，并取得了良好的成果，但p c a 只针 对过程数据的二阶统计特性，不能很好的刻画过程数据的特征信息，所以基于p c a 的多 元统计过程监控方法在某些工业过程中的应用不是很理想。并且需要指出的是：传统多 元统计方法在推导过程中，一般作了如下假定：( 1 ) 过程变量都服从高斯正态分布；( 2 ) 过程处于稳态( 3 ) 过程是线性的： 针对上述p c a 方法的局限性，作为p c a 延伸的i c a 作为近年来发展起来的一种新的 统计信号处理方法，该方法既不需要数据信息服从固定的分布，而且还有较强的信号提 取能力。同时还适用于过程信非正态分布的情况。与p c a 相比，具有更高的通用性和 适应能力，符合实际过程的需要，具有更高的普遍意义。目前i c a 在国外发展得比较快， 在国内起步不久。 i c a 方法是基于过程数据高阶统计特性的分析方法，可以有效的处理服从非高斯分 布的过程数据，通过线性变换不仅去除了变量间的相关性而且变换后的分量还保持统计 独立性，更好的刻画变量的概率统计特性，抑制高斯噪声，展示了i c a 方法在故障早期 侦破中良好的应用前景p j 。 近些年来，随着信号处理与模式识别技术的发展，在多元统计过程控伟j j ( m s p c ) 领 域涌现出许多新的方法，这些新兴的理论不仅仅停留在降维的层面，而是通过对数据更 深层内涵的发掘达到过程监控的目的。 1 5 基于f p s o 过程监控的技术特点 石油化工生产是我国经济发展的重要保障产业，也是天津市发展的支柱产业，是现 代生产技术、控制技术、计算机技术等高技术综合应用的集中体现，尤其是海洋石油生 产更是高技术应用的前沿用户。海上浮式，e 产储油卸油系统( f p s o ，f l o a t i n gp r o d u c t i o n s t o r a g ea n do f f l o a d i n g ) 作为海上油气开发生产设施最主流的形式，已经得到了广泛的应 用。 海洋石油1 1 2 号简称c f d l l 2 是中海石油渤海公司投资建造，用于渤海湾曹妃甸 1 1 1 1 l 一2 油讦1 的原油采集工作，不仅有力的推动了曹妃甸1 1 1 1 1 2 油田的原油的开发采 集，更为海洋石油的工程项目管理创造了典范。本文以c f d l1 2 典型生产流程油气 第一章绪论 水分离过程为研究对象，该系统存在大量的压力、流量、温度传感器，由于工作环境的 恶劣，夹杂着噪声、振动等环境因素的影响，使得由传感器采集到的数据隐含了大量信 息，数据只是被简单的存储起来，并未得到充分的利用，造成目前“数据丰富，信息匮 乏”的现象。石化工业生产过程复杂，难以建立精确的数学模型，过程观测数据j 下是目 前人们对过程进行了解的有效途径。如何从海量过程数据中挖掘出有用资源，去掉大量 冗余信息，提高工业生产过程监控系统的性能，是当前急需解决的问题。 m s p c 作为一种基于多元统计投影理论过程性能监控和故障检测技术受到了学术界 和工业界的广泛重视，它正是以采集的过程数据为基础，通过各种数据处理与分析方法 挖掘出数据中隐含的信息【l o 】。此技术主要把过程观测数据由高维空间投影到能准确表征 过程状态的低维空间，建立相应的过程监控模型，利用一系列的统计工具，通过比较过 程监控模型和实际系统的统计行为完成系统综合性能的状态监控和故障诊断。 1 6 本文主要研究内容 以“海洋石油c f d l l 2 ”为研究对象，针对f p s o 典型生产流程油气水分离过程建 立过程监控系统。该过程监控系统基于真实的d c s 操作系统平台和通用的o p c 数据通 讯技术。本文以多变量统计过程控制理论、小波变换为基础，在此基础上结合独立成分 分析的建模原理建立基于i c a 的f p s o 典型生产流程过程监控系统。其主要工作如下： ( 1 ) 采用f o x b o r oi a 组态系统作为d c s 上位机监控系统，完成f p s o 典型生产 流程- 油气水分离过程的历史数据与实时数据的采集、存储与管理等工作。将“f p s o 生 产模拟控制系统”的数据作为仿真的实时数据源，作为整个故障诊断系统的验证手段。 ( 2 ) 以o p c 技术为主，采取o p c d a 和o p c h d a 相结合的方式开发o p cc l i e n t 模 块，实现油气水分离过程历史数据和实时数据的传输。 ( 3 ) 将m a t l a b 7 0 作为后台服务程序完成对离线过程信息的降噪分析及优化的 i c a 模型的建立，将仿真实时数据投影到该模型，采用s p e 统计量、统计量和e 统 计量完成生产过程故障的检测。 ( 4 ) 以m a t l a b7 0 和v i s u a lb a s i c 6 0 为开发工具，搭建f p s o 典型流程的过程监 控平台。应用优化的i c a 模型对仿真实时数据进行在线监测，采用o l e 自动化服务的 方法将“f p s o 生产模拟控制系统”的实时数据传送到m a t l a b 后台服务器程序计算 s p e 统计量、，；统计量和，；统计量的实时值，并将与相应的控制限相比判断系统是否 发生故障；使用变量贡献图确定故障变量，完成过程在线监测与故障诊断。 根据以上内容，本文安排如下： 第二章基于独立成分分析的过程监控理论：主要介绍和分析了独立分量分析方法 的基本模型、约束条件，估计原理，通过对独立成分分析估计原理的介绍，本文选取非 高斯最大化中的近似负熵作为目标函数，完成目标函数的确立，提出改进的快速i c a 算 法，解决了快速i c a 算法中初值选择的敏感性问题。 第三章基于小波降噪独立成分分析方法的过程性能监控：主要提出小波分析和独 立成分分析相结合的基于小波降噪独立成分分析的过程监控方法，针对离散系统多变 6 第一章绪论 量过程和基于真实d c s 系统的f p s o 油气水分离过程进行了算例仿真。 第四章基于i c a 的f p s o 流程工业过程监控系统：概述了f p s o 油气水分离系统 的结构框架，并对过程监控系统的o p c 数据通讯、离线模型训练和在线监测模块的主 要内容和详细的实现方法进行了描述。 第五章总结与展望：综合本文所做的工作分析其中的不足，并指出下一步工作的 方向。 第二章基于独立成分分析的过程监控理论 第二章基于独立成分分析的过程监控理论 多数工业生产中，过程观测信息很难完全服从高斯分布，针对传统多变量统计过程 监控技术要求过程信息服从正态分布的约束性，本文提出基于独立成分分析( i n d e p e n d e n t c o m p o n e n t a n a l y s i s ，i c a ) 的过程监控方法，该方法克服了过程数据服从固定分布的局限 性，主要按照统计独立的原则，从过程观测信号中分离出统计独立成分。本章从盲源信 号分离的理论出发，进而对i c a 的数学模型、目标函数、估计算法进行了详细地阐述。 2 1 ic a 概述 i c a 是伴随着盲源信号分离问题而发展起来一种基于过程信息高阶统计特性的分 析方法【l ，具有较强的信号分析处理能力，主要是从多元统计数据中寻求内在统计独立 成分。与传统的多元统计控制方法相比，i c a 在去除变量间相关性的同时还能充分利用 过程数据的高阶统计特性来提取统计独立的过程信息，能更好的刻画变量的概率统计特 性，抑制高斯噪声，同时通过i c a 方法得到的独立成分分量满足统计意义上的独立性特 点。再者，独立成分分析i c a 不要求数据服从特定的分布条件，具有更高的普遍意义， 符合实际过程的需要，比p c a 具有更高的通用性和适应能力。i c a 作为一种新的信号 处理方法，在混合语音分离、生物医学信号处理、过程监控等方面得到广泛应用【l 2 1 。 i c a 作为传统多元统计过程控制方法( p c a ) 的延伸，以实际工业生产过程观测数据 为研究对象，其目的是从过程观测信号中分离出统计独立的源信号。从统计信号的角度 来看，i c a 利用过程观测信号统计独立的特性，通过确定线性变换的分离矩阵w 使得 提取的特征信息统计独立。 2 2i c a 的基本模型及约束条件 2 2 1i c a 的基本模型 i c a 是伴随盲源分离问题发展起来的基于信号高阶统计特性的一项新的信号处理 方法，其目的是从线性观测信号中恢复出统计独立的源信号【i3 1 。最早提出i c a 概念的 是j u t t e n 和h e r a u l t 。 我们通常借助于统计上的隐变量模型来给出i c a 的严格定义。假设研个观测变量 一，x ，x 。，它们分别是刀个非高斯分布的独立成分变量s ，s ：，j 。的线性组合，其中， 独立成分分量和测量变量都是已经均一化的数据，其原理模型如式( 2 1 ) ： 第二章基丁独立成分分析的过程监控理论 x = a 。s ( 2 - 1 ) x = i x l ，x 2 ，】r ( 2 2 ) s = i s is ：，s 。r ( 2 3 ) 式中，a r 删”为未知的混合矩阵；x 为m 个变量观测值；s 为n 个独立的非高斯 源信号。 每个测量值被分解成为一组统计独立成分分量的线性组合： 0 = a l l j f + 口j 2 s ；+ 口拥s 二 i = l ，m( 2 4 ) 式( 2 1 ) 描述了观测数据如何由独立成分分量混合而成。在独立成分分量s 和混合系 数矩阵彳均未知，仅在过程观测变量x 己知的情况下，目前我们要解决的问题正是如何 在已知尽可能少的假设条件下，估计出彳和s 。而i c a 的目的正是寻求分离矩阵形， 对源信号进行估计，使得估计信号中s 尽可能的独立。 s = w x = w a s s ( 2 - 5 ) 独立分量分析方法的原理框图如图2 1 所示。 s l ( k ) _ l 卜 & ( 幼斗 ； ( 幼一+ 2 2 2i c a 的约束条件 x l ( 助一 混合矩阵土( k分离矩阵 a i w ( 幼。 图2 - 1 独立分量分析方法的原理框图 向 胁 舫 在已知观测信号x ，而源信号s 和混合系数彳都未知的情况下，为确保通过i c a 模型能得到独立分量s 的相应估计值，一般需要满足相应的约束和假设条件。 ( 1 ) 独立分量s 的维数不大于观测变量x 的维数 只有满足该约束条件，才能更好的刻画过程变量的概率统计特性，得到较为准确的 统计独立的源信号。再者，该约束条件在实际工业生产中也具有可行性，实际工业过程 提供的大量观测数据，不仅为该方法提供了丰富的观测信号，而且提高了分析的可靠性。 ( 2 ) 独立分量被假定满足统计意义上的独立性 统计独立性是构成独立分量分析基础的关键，只要满足该假设，就可以完成i c a 模 型的建立。然而在实际应用中，源信号的统计独立性由源信号的产生的实际背景确定， 如果源信号由不同的系统产生，则可认为满足统计独立的假设条件。 ( 3 ) 独立分量具有非高斯的分靠，或者至多存在一个独立成分分量服从高斯分布。 高阶统计信息对于估计i c a 模型来说是必须的，i c a 主要是依据过程观测变量的高 阶统计信息来估计其基本模型。高斯分布的高阶累积量都为零，由于混合前后高阶统计 信息的无差异性，致使独立分量的提取无法进行。所以，对于完全服从高斯分布的观测 变量，其i c a 模型无法被估计。 。 9 第二章基丁独立成分分析的过稃监控理论 2 3i c a 的估计原理 独立成分分析的目的是寻找非f 交线性变换矩阵形作用于过程观测信号，从观测信 号中恢复出统计独立的源信号。下面主要介绍对i c a 模型进行估计的不同计算方法。当 前使用的方法主要有非高斯的最大化、最大似然函数估计和互信息的最小化。 2 3 1 非高斯最大化 非高斯性在i c a 模型的估计中扮演着极为重要的角色，如果没有非高斯性，i c a 估 计根本无法实现，因此，非高斯性可用于i c a 估计并作为其中的关键。而在经典的m s p c 方法中，通常假定独立随机变量满足正态分布，于是与i c a 有关的方法被排除在外，这 也是i c a 起步很晚的主要原因。 中心极限定理在独立成分分析和盲源分离中具有重要的推论，该推论表明，在一定 的条件下，独立随机变量之和趋于高斯分布，即任意一个原始随机变量比独立随机变量 之和更偏离高斯分布【l5 1 。换个角度讲，可以认为独立随机变量之和形成的分布比任意一 个原始随机变量更接近于高斯分布。 在i c a 模型中，观测信号是由独立源信号的线性组合，那么它比任意一个独立源信 号更接近于高斯分布：反之，独立源信号比观测信号更偏离高斯分布。也就是说信号非 高斯性的最大化和独立性是一致的，因此可用分离信号的非高斯性作为分离信号间独立 性度量。如果寻求向量w 作用观测信号，使得变换后的结果尽量偏离高斯分布，即非高 斯最大化，既可以得到统计意义上的一个独立源信号。同理，按照此规则可以分离出余 下独立源信号。 非高斯性的度量有峭度和负熵两种测量标准，这两种标准从不同的角度衡量源信号 的非高斯性。 ( 1 ) 基于峭度的非高斯性度量 峭度是随机变量的四阶累计量的另一种叫法，是一个高阶累计量，主要引用高阶多 项式方差的泛化，是一种经典的非高斯度量。随机变量x 的峭度k u r t ( x ) 被定义为： k u r t ( x ) = f j x 4 ) - - 3 ( e i x 2 r( 2 6 ) 注意上式中的所有随机变量都假定是零均值的。对于一般( 非零均值) 的情况，峭度 的定义则略为复杂些。为了使问题简化明了，假设随机变量x 已经被标准化过，其方差 等于1 ，这样峭度公式的右边就简化为e x 4i - - 3 。这说明峭度实际上就是四阶矩的一种 规范化形式。这样对于高斯分布的变量x ，e k 4 - 3 ( e x 2 ，因此高斯变量的峭度为0 。 对于大部分( 但并不是所有的) 非高斯随机变量，峭度为非零值。 峭度的值可正可负，具有负峭度的随机变量称为次高斯的，而那些峭度为i f 的随机 变量称为超高斯的。超高斯随机变量的概率密度函数( p d f ) 一般是“顶尖厚边”的形状， 即p d f 在零附近和远离零处的取值较大，而在中间部分的取值较小。次高斯的概率密度 函数一般是“扁平”形状，其在零附近的取值比较平坦，在远离零的地方取值很小。 非高斯性通常可以由峭度的绝对值来度量，也可以使用峭度的平方【l6 1 。这样的度量 l o 第二二章基丁独立成分分析的过程监控理论 对于高斯变量的取值为零，而大部分的非高斯随机变量的取值大于零。实际也存在峭度 值为零的非高斯随机变量，但可以认为这样的随机变量是非常少见的【1 7 】。 峭度或其绝对值已在i c a 相关领域被广泛用作非高斯性的度量，这主要是因其无论 从计算还是理