（控制科学与工程专业论文）复杂工况过程统计监测方法研究.pdf

摘要 摘要 保证过程安全和提高产品质量是现代流程工业迫切需要解决的两个问 题，作为过程系统工程领域的关键技术之一，过程监测技术是解决这两个问 题的有效途径由于集散控制系统( d c s ) 在流程工业中的广泛应用，极大地丰 富了过程的数据信息，基于数据驱动的过程监测技术在过去十多年间得到了 长足的发展。其中，多变量统计过程监测方法( m s p c ) 更是受到了学术界和工 业界的普遍关注，已经成为过程监测领域的研究热点之一 但是，传统的m s p c 方法对过程的限制条件较多，如过程数据必须服从 高斯分布，线性、稳定单一工况等，本文在前人研究工作的基础上，针对不 同的复杂工况过程，提出多种有效的过程监测方法具体包括： ( 1 ) 针对过程数据的复杂分布情况，提出一种基于独立成分分析和主元分 析( i c a p c a ) 两步信患提取策略的过程监测方法，并引入支持向量数据描述 ( s v d d ) 和因子分析( f a ) 方法对提出的方法进行了改进其中，提出的基于 s v d d 重构的故障诊断方法解决了非高斯故障诊断的难点，是对重构类故障 诊断方法的重要补充；提出的基于混合因子的故障识别方法也在很大程度上 改善了故障识别的效果 ( 2 ) 针对非线性工况过程，在基本的核主元分析( k p c a ) 方法的基础上， 引入统计局部技术( l a ) 对其进行改进，新的方法消除了对过程数据分布的限 制条件为了简化传统非线性过程监测算法建模和在线实施的复杂性，提出 了一种基子线性子空间集成和b a y e s i a n 推理的过程监测方法，不仅有效地提 高了监测效果，而且在很大程度上降低了算法的复杂度 。( 3 ) 针对过程的时变和多工况特性，并同时考虑到过程的复杂数据分布和 非线性情况，提出了三种新的方法，印基于局部最小二乘回t b ( l s s v r ) 模型的 方法、基于非线性外部分析的鲁棒方法以及基于二维线性子空问集成和 b a y e s i a n 推理的方法其中，基于局部模型的方法有效地改善了传统递归方法 的不足，增强了时变过程监测的实时性；非线性外部分析鲁棒算法不仅有效 地推广了外部分析方法在非线性过程中的应用，而且增强了该算法抗击噪声 n l 浙江人学博士学位论文 和离群点的能力；提出的二维监测方法不仅在很大程度上减弱了过程监测对 知识和经验的依赖性，而且取得了很好的效果。 ( 4 ) 同时考虑过程动态性和非高斯性的监测方法研究目前还比较少，本文 在子空间模型辨识方法的基础上，通过引入统计局部技术，提出一种基于 s m i l a 的动态非高斯过程监测方法，相比已有的动态非高斯过程监测方法， 新的方法获得了更满意的监测性能 ( 5 ) 相比连续生产过程，间歇生产过程要复杂的多，由于目前对于多工况 复杂间歇过程监测的研究还比较少，本文特另0 针对这种类型的问歇过程，提 出一种基于b a y e s i a n 推理的监测方法，并将其推广至更为复杂的多阶段间歇 生产过程中 最后，在总结全文的基础上，对过程监测领域的未来工作进行了展望 关键词复杂工况过程过程监测多变量统计过程监测工况定位故障诊断 故障识别 a b s t r a c t p r o c e s ss a f e t ya n dp r o d u c tq u a l i t ya r et w oi m p o r t a n ti s s u e st h a ts h o u l db e p a i dg r e a ta t t e n t i o n sb ym o d e mi n d u s t r i a lp r o c e s s e s a so n eo ft h ek e y t e c h n o l o g i e si nt h ep r o c e s ss y s t e me n g i n e e r i n ga r e a , p r o c e s sm o n i t o r i n gc a nb e e m p l o y e dt os o l v e t h o s et w oa s p e c t s a c c o r d i n gt ot h ew i d eu s eo ft h ed i s t r i b u t i o n c o n t r o ls y s t e mi ni n d u s t r i a lp r o c e s s e s , l a r g ea m o u n t so f d a t aw e r ec o l l e c t e d ，w h i c h h a v eg r e a t l ya c c e l e r a t e dt h ed e v e l o p m e n to fd a t a - b a s e dp r o c e s sm o n i t o r i n g m e t h o d sa l o n gt h ep a s td e c a d e p a r t i c u l a r l y , t h em 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 s c o n t r o l ( m s p c ) m e t h o dh a sg a i n e dg r e a t l ya t t e n t i o n sb o t hi ni n d u s t r ya n da c a d e m y , a n dh a sb e c o m eah o ts p o ti np r o c e s sm o n i t o r i n ga r c & h o w e v e r t h e 仃a d i t i o n a lm s p cm e t h o di s l i m i t e dt o g a u s s i a n ，l i n e a r , s t a t i o n a r ya n ds i n g l em o d ep r o c e s s e s b a s e do nt h ee x i s t i n gr e s e a r c hw o r k s ，t h i s d i s s e r t a t i o np r o p o s e ss e v e r a le f f i c i e n tm o n i t o r i n gm e t h o d sf o rd i f f e r e n tc o m p l e x p r o c e s s e s , w h i c ha r es u m m a r i z e da sf o l l o w s ( 1 ) a c c o r d i n gt ot h ec o m p l e xd i s t r i b u t i o no ft h ep r o c e s sd a t a , at w o - s t e p 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 sa n dp r i n c i p a lc o m p o n e n ta n a l y s i so c a - p c a ) b a s e di n f o r m a t i o ne x t r a c t i o ns t r a t e g yi sp r o p o s e df o r p r o c e s sm o n i t o r i n g , w h i c hi s s e q u e n t l yi m p r o v e db ys u p p o r tv e c t o rd a t ad e s c r i p t i o n ( s v d d ) a n df a c t o ra n a l y s i s ( f a ) an e ws v d dr e c o n s t r u c t i o nb a s e dm e t h o di sp r o p o s e dt oa d d r e s st h e d i f f i c u l t yo fn o n - g a u s i a nf a u l td i a g n o s i sp r o b l e m ，w h i c hc a nb ec o n s i d e r e da sa c o m p l e m e n to fr e c o n s t r u c t i o n - b a s e dm e t h o d sf o rf a u l td i a g n o s i s a d d i t i o n a l l y , a m i x e di n d e xi sp r o p o s e df o rf a u l ti d e n t i f i c a t i o n ，w h i c hc a na l s oi m p r o v et h e p e r f o r m a n c eo fp r o c e s sm o n i t o r i n g ( 2 ) f o rn o n l i n e a rp r o c e s sm o n i t o r i n gt h es t a t i s t i c a ll o c a la p p r o a c h ( l a ) i s i n t r o d u c e du p o nt h et r a d i t i o n a lk e r n e lp c am o d e l i n gs t r u c t u r e , w h i c hc a n e f f e c t i v e l ye l i m i n a t et h er e s t r i c t i o no fg a u s s i a nd i s t r i b u t i o nf o rt h ep r o c e s sd a t a d u et ot h eo f f l i n em o d e l i n ga n do n l i n ei m p l e m e n t a t i o nd i f f i c u l t i e so ft h ee x i s t i n g v 浙江大学博上学位论文 m e t h o d s ，an e wv i e w p o i n ti sp r o p o s e df o rn o n l i n e a rp r o c e s sm o n i t o r i n g ，w h i c hi s b a s e do nl i n e a rs u b s p a c ei n t e g r a t i o na n db a y e s i a ni n f e r e n c e c o m p a r e dt ot h e e x i s t i n gn o n l i n e a rm e t h o d s ，t h en e wm e t h o dc a nb o t hi m p r o v et h em o n i t o r i n g p e r f o r m a n c ea n dr e d u c et h ea l g o r i t h mc o m p l e x i t y ( 3 ) i no r d e rt oi m p r o v et h em o n i t o r i n gp e r f o r m a n c ef o rt i m e - v a r y i n ga n d m u l t i m o d ep r o c e s s e s ，t h r e en e wm e t h o d sa r ep r o p o s e d al o c a ll e a s ts q u a r e s s u p p o r tv e c t o rr e g r e s s i o n ( l s s v r ) b a s e dm e t h o di sp r o p o s e d ，w h i c hc a ng r e a t l y e n h a n c et h er e a l t i m ep e r f o r m a n c eo ft h em e t h o d ；ar o b u s tn o n l i n e a re x t e r n a l a n a l y a i si sp r o p o s e d ，w h i c he x t e n d st h ec o n v e n t i o n a ll i n e a re x t e r n a la n a l y s i st o n o n l i n e a rp r o c e s s e s ，a n ds i m u l t a n e o u s l yi m p r o v e st h er o b u s t n e s so ft h em e t h o dt o n o i s e sa n do u t l i e r s ；at w o - d i m e n s i o n a lp r o c e s sm o n i t o r i n gm e t h o di sa l s op r o p o s e d ， w h i c hg r e a t l ya l l e v i a t e st h el e a no ft h em o n i t o r i n gm e t h o dt op r o c e s sk n o w l e d g e a n de x p e r i e n c e s ( 4 ) d u et ot h er e s e a r c hs t a t u so nn o n - g a u s s i a nd y n a m i cp r o c e s s e s ，f e ww o r k s h a v eb e e nr e p o r t e d i nt h i sd i s s e r t a t i o n ，an e wm o n i t o r i n gm e t h o di sp r o p o s e df o r t h e s es p e c i a lp r o c e s s e s ，w h i c hi sb a s e do ns u b s p a c em o d e li d e n t i f i c a t i o n ( s m i ) a n d l o c a la p p r o a c h ( l a ) i nc o n t r a s tt oo t h e rm e t h o d s , t h en e wp r o p o s e ds m i l a m e t h o di sm o r ee f f i c i e n ti nm o n i t o r i n gn o n - g a u s s i a nd y n a m i cp r o c e s s e s ( 5 ) t h eb a t c hp r o c e s si sc o n s i d e r e dt ob em o r ec o m p l i c a t e dt h a nc o n t i n u o u s p r o c e s s e s d u et ot h el a c ko f t h em o n i t o r i n gr e s e a r c hw o r ko nm u l t i m o d eb a t c h p r o c e s sm o n i t o r i n g ，ab a y e s i a ni n f e r e n c eb a s e dm e t h o di sp r o p o s e df o rt h i ss p e c i a l k i n do fp r o c e s s e s ，w h i c hi sa l s oe x t e n d e df o rm o n i t o r i n gm u l t i p h a s eb a t c h p r o c e s s e s f i n a l l y , c o n l c u s i o n sa n df u t u r er e s e a r c hs t u d i e so ft h ep r o c e s sm o n i t o r i n g a r e sa r ei l l u s t r a t e d k e y w o r d sc o m p l e xp r o c e s s e s ；p r o c e s sm o n i t o r i n g ；m u l t i v a r i a t e s t a t i s t i c a l p r o c e s sc o n t r o l ；m o d el o c a l i z a t i o n ；f a u l td i a g n o s i s ；f a u l ti d e n t i f i c a t i o n 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及取得的 研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获得逝姿态堂或其他教育机 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谢意。 一签名翰铭期： 学位论文版权使用授权书 “月尹 本学位论文作者完全了解逝姿盘茔有关保留、使用学位论文的规定， 有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和 借阅。本人授权逝姿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，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 躲磊玄穆 翮签名 签字同期： 学位论文作者毕业后去向： 工作单位： 通讯地址： 嘲期刁年石可日 ，l 电话： 邮编： 致谢 致谢 值此博士论文完成之际，我衷心地感谢我的导师宋执环教授五年来对我 孜孜不倦的教育和指导宋老师不但在学术上给与我悉心的指导，提供了一 个宽松、和谐的研究环境，不断地引导我在科研工作中取得进步，而且还经 常关心我的生活，使我明白了很多做人的道理宋老师渊博的知识、敏锐的 洞察力，严谨的治学态度和做人原则都给我留下了非常深刻的印象，并将继 续激励我在以后的人生道理上不断前进 感谢李平教授在科研和生活上对我的关心和指导，每一次和李老师的讨 论都让我受益匪浅感谢谢磊副研究员和u w ek r u g e r 教授在学术上对我的帮 助和指导，与你们的合作使我获益良多感谢王慧教授，杨春节副教授王 海清副教授、宋春跃副教授、赵莉老师以及系内其他老师对我的关心和帮助 特别感谢过程监控、建模和控制课题组的张沐光、傅若玮、祝志博、叶 凌箭、王洪和文巧均等同学，和你们一起讨论，使我得到很多启发和研究思 路 感谢多年来和我一起求学的刘毅，吴平王伟顾德，赵伟国，陈坤 刘世成、衷路生金哲王健伟、李笕列苗字陆飞华、谷雨孔祥杰， 章建栋、顾海杰，余晨龙、陈绍绵、汤卿、尹征，包鑫等同学在生活和学习 上给予我的热心帮助感谢程鹏陈良，崔承钢等室友的关心和帮助 此外，对所有关心和帮助过我的同学和朋友表示衷心的感谢 最后，衷心感谢我的父母兄弟和女友多年来对我的关爱和支持，感谢 所有亲人对我的关心和帮助 葛志强 2 0 0 9 年0 6 月于求是园 绪论 1 绪论 摘要阐述了本课题的背景和研究意义，总结了过程监测的研究内容和主要研究方 法系统综述了统计过程监测方法的发展历程研究现状和存在的问题，并概述了国内 外统计过程监测的工业应用和系统软件开发情况最后，给出了复杂工况过程的定义， 简要介绍了本文的主要研究工作和创新点 关键词统计过程监测复杂工况过程企业综合自动化系统 1 1 课题背景和研究意义 进入2 l 世纪以来，世界范围内的市场竞争日益激烈，其中包括对产品质 量的要求过程安全性的保障以及相关环保和安全法规的约束等等为了增 强企业的市场竞争力，现代流程工业必须发展成为以自动化技术、信息技术 和计算机技术等为基础，集控制，调度，管理和决策于一体的企业综合自动 化生产系统经过几十年的发展和变革，过程系统自动化的范围已经从最初 的设备基本控制慢慢扩展到先进控制，过程监测，生产计划与调度、信息管 理与经营决策等e r p m e s p c s 三层结构体系已经在众多行业如半导体，石 油化工行业、医药行业、造纸行业以及钢铁行业等取得了显著的经济和社会 效益随着各种先进技术的发展，企业管理已开始从金字塔模式向扁平化模 式转换，根据流程工业的特点，我国学者也提出了基于b p s m e s p c s 三层结 构的流程工业现代集成制造系统本文研究的过程监测领域隶属于三层结构 中的m e s 层面，具有承上启下的作用不管是从产品的质量还是过程的安全 性方面考虑，对系统实际运行状态的监测都显得尤其重要，同时，这也是实 现生产计划与调度，信息管理与经营决策等更高层次自动化技术的基本要求 因此，过程监测技术已经成为近年来自动化领域内的研究热点，可以认为， 该项技术是流程工业实现多层次、多模式、多视图企业综合自动化系统的关 键技术之一 1 2 过程监测的研究内容和研究方法 过程监测是一个以故障检测和诊断技术为基础发展起来的边缘性学科， 浙江大学博上学位论文 本节对过程监测的基本概念、研究内容和研究方法作一个详细的阐释。 1 2 1 过程监测的基本概念和研究内容 过程监测的目的是对系统的运行状态进行监视，不断地给出定量和定性 分析，帮助过程操作和管理人员及时了解过程的运行状态，以消除过程的异 常行为，防止灾难性事故的发生和减少产品质量的波动。通过对过程进行监 测，我们可以完成如下的工作( 赵旭，2 0 0 6 ) ： ( 1 ) 了解过程目前的运行状态； ( 2 ) 通过对运行状态的分析，把过程的异常信息呈现给操作工程师和管理 人员： ( 3 ) 如果过程出现了异常状况，给出该异常状况发生的原因； ( 4 ) 及时排除过程的异常状况，使过程尽快回复到正常情况； ( 5 ) 对过程产品的质量作出适当的评估； ( 6 ) 根据所了解和积累的过程运行状态信息，对过程的自动化系统和产品 的质量进行改进 过程监测的研究内容一般包括故障检测，故障诊断和识别、故障分离以 及故障对策和修复等一般来说，流程工业的监测过程如图1 i 所示 图1 1 流程工业监测过程示意图 虽然过程监测技术已经广泛地应用于各个领域，但是由于各个领域都有 其自身的特点，导致过程监测的一些基本概念尽管本质上是相同的，但描述 却不尽相同。在这里，我们针对过程监测的基本概念，给出适合流程工业应 用的一套定义和说明 定义1 1 故障：故障被定义为过程中的一个或多个交量发生不正常的变 化，使得整个系统性能恶化的情况或事件( i s e r m a r m ，1 9 9 7 ) 2 绪论 根据故障的来源，可将故障分为以下几类( k e s a v a n ，1 9 9 7 ) ： ( 1 ) 传感器故障：指测量值和真实值之间存在显著的偏差，导致对过程交 量的测量不准确。 ( 2 ) 执行器故障：执行器的输入命令和它的实际输出之间存在明显的差 异。 ( 3 ) 过程参数故障：由于过程中某些原因如催化剂的性质发生变化等引起 系统参数发生变化 定义1 2 故障检测：判断过程中是否发生了故障现象，当系统发生故障 时，需要及时发现并报警 通常，任何故障检测子系统都不可能完全正确检测出系统中的故障因 此，提高故障的正确检测率，降低故障的误报率和涡报率一直是过程监测领 域的前沿课题( 周东华，1 9 9 4 ) 定义1 3 故障诊断：判断故障发生的根源、确定故障发生的时间和估计 故障的大小等 定义1 4 故障识别：对过程发生并检测到的故障进行类型识别 定义1 5 故障分离：对故障进行诊断和识别之后，对发生故障的部件或 子系统进行隔离 定义1 6 故障修复和对策：采用各种补救措施对故障进行修复，使得过 程尽快恢复到正常状况，并且根据该故障可能带来的不利影响制定相应的处 理对策 1 2 2 过程监测的研究方法 过程监测方法的提出可以追溯到上个世纪7 0 年代初，美国学者b e a r d 提 出的了利用解析冗余代替物理冗余的故障检测和诊断思想，奠定了过程监测 理论的基础总的来说，过程监测是一门针对性强、目的明确，应用领域广 泛的技术性学科过程监测涉及到的方法和技术也跨越多个研究和应用领域， 如数学分析、信号处理、统计学和人工智能等v e n k a t a s u b r a m a n i a n ( 2 0 0 3 a , b ，c ) 在总结前人工作的基础上，将过程监测领域涉及到的主要方法和技术大致分 为三个类别，即基于定量数学模型的方法、基于知识的方法以及基于数据驱 动的方法 浙江大学博士学位论文 基于定理数学模型的方法又称为解析模型方法，是最早发展起来的，该 方法的前提是需要建立被监测对象的精确数学模型。典型的基于解析模型的 过程监测方法首先按照过程机理建立输入输出数学模型，根据过程数据构造 残差序列，通过对残差序列的分析实现对故障的检测、诊断、识别以及分离 比较常见的基于解析模型的方法包括：基于观测器的状态估计方法，参数估 计方法、等价空间方法等。f r a n k ( 1 9 9 0 ，1 9 9 6 ) 在其论著中详细阐述了用解析冗 余技术实现故障诊断的思想，p a t t o n ( 1 9 8 9 ) 总结了基于k a l m a n 滤波原理的动态 系统故障诊断，我们学者葛建华( 1 9 9 4 ) 、周东华( 1 9 9 4 ，2 0 0 0 ) 等也在该领域做了 很多研究工作。该类方法对过程的机理依赖性较强，在航空航天、电力和机 械等较易获得精确数学模型的领域已经得到了广泛的应用但是，对于一般 的流程工业，由于过程普遍存在强非线性、复杂数据分布以及时变等特征， 想要获得精确的数学模型是非常困难的因此，基于解析模型的方法很难在 现代流程工业中得到广泛的应用，通常只局限于一些简单的工业过程 基于知识的方法不需要过程提供精确的数学模型，该方法通过有向图、 因果关系模型、故障树以及专家系统等定性描述过程中各个单元之问的连接 关系，判断其故障传播模式，自动完成对故障的诊断、识别和分离等工作 该类方法通常包括专家系统、人工神经网络、模糊推理，故障树以及定性仿 真和趋势分析方法等一般来说，基于知识的方法适合于有大量生产经验和 专家知识可利用的场合，但正是由于其对知识的依赖性，导致该类方法的通 用性比较差不过，随着人工智能和知识表示等领域的发展，基于知识的过 程监测方法有可能在不久的将来会取得较大的进展。 相比基于机理模型和知识的方法，目前较流行且应用比较广泛的是基于 数据驱动的过程监测方法。该类方法不需要精确的过程机理模型，对过程和 专家的经验知识也没有很强的依赖性，它是以采集到的过程数据为基础，利 用各种数据分析和处理方法挖掘出隐含在其中的信患，获取过程运行状态， 进而指导生产操作自上个世纪9 0 年代以来，基于数据驱动的过程监测方法 逐渐得到了学术界和工业界的广泛关注，这主要源于以下两方面的原因首 先，现代流程工业普遍使用集散控制系统( d e s ) ，大量的过程测量数据被采集 4 绪论 并保存起来，这给基于数据驱动的方法提供了很好的信息源。其次，工业计 算机技术、数据库技术以及存储技术的巨大发展使得大规模的数据分析成为 可能，而数据挖掘和信号处理等数据分析技术的快速发展也为基于数据驱动 的过程监测方法提供了很好的技术支撑近年来，美国、西欧等发达国家已 经投入大量的人力和物力对该领域进行研究，期望通过对过程数据的分析来 挖掘过程的本质信息，为提高产品的质量提供有利信息，进而使得丰富的过 程数据资源转化为经济和社会效益按分析方法的不同，基于数据驱动的过 程监测方法可以进一步分为定性和定量的方法定性的方法一般是指对过程 数据进行的动态趋势分析，可以看作是现代时问序列分析方法在过程监测领 域的扩展( 谢磊，2 0 0 5 ；刘世成，2 0 0 8 ) 定量的方法又可以分为统计类方法和非 统计类方法，其中非统计类方法包括各种信号处理方法( 如频谱分析 ，神经网 络方法以及支持向量机方法等统计类方法一般是指多变量统计过程监测方 法，最常用的有主元分析( p r i n c i p a lc o m p o n e n ta n a l y s i s ，p c a ) 偏最小二乘 ( p a r t i a ll e a s ts q u a r e s ，p l s ) ，f i s h e r 判另0 式分析( f i s h e rd i s c r i m i n a n ta n a l y s i s , f d a ) 、正则相关分析( c a n o n i c a lc o 盯e l m i o na n a l y s i s , c c a ) 、因子分析( f a c t o r a n a l y s i s ，f a ) 以及独立成分分析( 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 , i c a ) 等等 ( c h i a n g , 2 0 0 0 ；k a n o , 2 0 0 3 ；l e e , 2 0 0 4 a , b ，2 0 0 6 ，2 0 0 7 ；k i m , 2 0 0 5 ；赵忠盖， 2 0 0 7 ) 因为基于数据驱动的过程监测方法只需要过程的数据信息，因此具有 很强的通用性，特别适合于现代复杂的流程工业但是，由于该类方法没有 充分利用过程内部机理和经验知识，有可能导致过程监测信息的不准确，特 别是在故障诊断和识别方面虽然如此，基于数据驱动的方法仍然是目前流 程过程监测领域内最主流的方法，还在进一步的发展和完善中。 1 3 统计过程监测的发展现状 由于本文的主要工作是围绕基于数据驱动方法中的统计类方法展开，下 面重点对统计过程监测方法的发展现状作一个详细的阐述，包括其发展历程， 存在的主要问题以及目前的研究现状等 浙江大学博上学位论文 1 3 1统计过程监测的发展历程 工业统计学( i n d u s t r i a ls t a t i s t i c s ) 的发展最早可以追溯到上个世纪2 0 年代， 美国b e l l 实验室的s h e w h a r t 博士于1 9 2 4 年提出的s h e w h a r t 控制图，并在1 9 3 1 年发表了其著作( ( e c o n o m i cc o n t r o lo f q u a l i t yo f m a n u f a c t u r e dp r o d u c t ) ) ，标志着 工业统计学研究的开始( 王海清，2 0 0 0 ) 但是，基于工业统计学的过程监测技 术的兴趣始于上个世纪9 0 年代，为提升企业的竞争力，企业界逐步推广i s o 质量管理体系和6 0 战略，从而把质量控制和工业统计学推向了新的发展高 度。一般来说，统计过程监测包括单变量统计过程监测和多变量统计过程监 测。其中，传统的单变量统计过程监测只对生产过程中的一些重要变量单独 进行监测，即为这些指标单独建立s h e w h a r t 控制图、指数加权移动平均控制 图( e x p o n e n t i a l l yw e i g h t e dm o v i n ga v e r a g e ，e w m a ) 和累积和控制图 ( c u m u l a t i v es u m ，c u s u m ) 等( 张杰，2 0 0 0 ) 但是，由于单变量统计过程监测方 法只考虑单一变量的变化情况，无法对多个变量之间相互关系的变化进行监 测。因此，现在过程监测领域普遍采用的技术是多变量统计过程监测方法 为了进一步了解多变量统计过程监测方法的发展状况，我们接下来对其存在 的主要问题及相应的研究现状进行详细的剖析 1 3 2 存在的主要问题及其研究现状 多变量统计过程监测又被称为多变量统计过程控制( m u l t i v a r i a t e s t a t i s t i c a lp r o c e s sc o n t r o l ，m s p c ) ，传统的m s p c 方法包括基于p c a 和p l s 的过程监测方法利用这些传统方法对过程进行监测时，我们对过程的变量 作了如下的假定( 郭明，2 0 0 4 ) ：( 1 ) 各个过程变量均服从高斯分布；( 2 ) 各个变 量之间的关系是线性的；( 3 ) 过程只运行在一种操作模式下，且参数不会随时 间的变化而改变；( 4 ) 采样服从独立性条件，即当前样本和历史样本不存在时 序相关性然而，实际的流程工业数据往往不是严格服从高斯分布的，而且 通常还具有非线性、时交、多工况和动态过程特性等，这时如果仍然采用传 统的m s p c 方法对过程进行监测的话，就会导致监测算法的失效，从而引起 错误的监测信息近年来，对m s p c 方法的研究主要集中在如何处理这些约 束条件上，本文的大部分工作也是围绕这些问题展开的，下面就对这些问题 6 绪论 一一进行综述另外，我们还特别对故障诊断和识别以及间歇生产过程的监 测问题进行了综述。 1 3 2 1 数据分布问题 在过程数据偏离高斯分布的情况下，传统的m s p c 方法之所以会失效是 因为其构造监测统计量并确定相应的控制限的时候需要数据服从高斯分布的 前提条件但是，实际的生产过程数据是否服从高斯分布是需要事先进行检 验的当数据偏离高斯分布时，一个很自然的想法就是利用非参数方法，对 过程数据进行概率密度估计，提取出数据的实际分布信息，主要包括直方图 方法、核函数估计法和小波密度估计法等( 王海清，2 0 0 2 ) m a r t i n ( 1 9 9 6 ，2 0 0 2 ) 和c h e r t ( 2 0 0 0 ，2 0 0 4 ) 分别对p c a 方法进行了改进，印首先采用p c a 方法对过 程数据进行降维处理，然后利用核密度估计方法对p c a 得分向量的分布进行 估计该类方法的缺点是容易受到数据维数的影响，且需要大量的训练数据 样本，计算量比较大 当过程数据的分布属于非高斯特性时，除了对其进行概率密度估计之外， 近年来被引入到过程监测领域的i c a 方法也是一个研究的热点作为统计信 号处理领域的一种新方法，i c a 最初应用在语音信号处理领域( h y v i r i n e n , 2 0 0 0 ) 与p c a 方法相比，i c a 是基于高阶信号统计量的分析方法，经i c a 分析后的各种信号是相互独立的且服从非高斯分布当过程的数据服从非高 斯分布时，i c a 可以比p c a 提取出更多的过程数据信患目前，关于i c a 在 非高斯过程监测领域的研究已经有不少成果，包括l i ( 2 0 0 2 ) ，k a n o ( 2 0 0 3 ， 2 0 0 4 a ) ，陈国金( 2 0 0 3 ) ，何- 宁( 2 0 0 4 ) ，l e e ( 2 0 0 4 a , b ，2 0 0 6 ，2 0 0 7 ) ，x i e ( 2 0 0 6 b ) ， l i u ( 2 0 0 8 ) ，谢磊( 2 0 0 9 ) 等但是，i c a 和p c a 监测方法只能处理过程数据服 从单纯高斯或者非高斯分布的情况，对于复杂工业过程数据混合分布的情况， k a n o ( 2 0 0 4 b ) 和陈国金( 2 0 0 4 ) 分别提出不同的i c a 和p c a 的组合形式，g e ( 2 0 0 7 ) 在此基础上提出了基子i c a p c a 两步信息提取策略的过程监测方法 1 3 2 2 非线性问题 现代复杂流程工业过程的非线性特性普遍比较明显，针对该类问题，目 前的主要解决方法有：主元曲线方法、基于神经网络的非线性p c a 方法、基 浙江火学博士学位论文 于支持向量机等核学习的方法等等。其中，h a s t i e ( 1 9 8 9 ) 提出的主元曲线实际 上是一种具有线性p c a 推广性质的非线性p c a 方法。k r a m e r ( 1 9 9 1 ) 最早提出 了基于神经网络的非线性p c a 方法( n o n l i n e a rp c a ，n l p c a ) ，该方法所使用 的模型是一个五层的神经网络模型，类似于p c a 的降维思想d o n g ( 1 9 9 6 ) 在 此基础上又提出了以神经网络实现主元曲线的非线性p c a 方法，有效地提高 了主元曲线的计算效率。为了把p l s 方法扩展到非线性的形式，国内外很多 学者将神经网络引入到p l s 建模和监测框架中，如q i n ( 1 9 9 2 ) ，w o l d ( 1 9 9 2 ) ， m a l t h o u s e ( 19 9 7 ) ，b a f f i ( 19 9 9 ，2 0 0 2 ) ，l e e ( 2 0 0 6 b ) ，c a m a c h o ( 2 0 0 7 ) ， k a m p j a r v i ( 2 0 0 8 ) - 等。虽然基于神经网络的方法具有较好的非线性逼近能力，且 应用范围较广泛，但是其训练过程一般比较复杂，且泛化能力也不能得到很 好的保证 相比神经网络方法，以支持向量机为代表的统计学习核方法具有较好的 泛化能力，已经成为人脸识别、机器学习以及模式识别等领域的研究热点并 取得了丰富的研究成果( v a p n i k ，1 9 9 5 ；s c h 6 1 k o p f , 1 9 9 8 ) 近年来，核学习方法 已经被引入到过程监测领域，并与传统的m s p c 方法相结合，形成了诸如核 p c a ( k e m e lp c a ，k p c a ) ，核p l s ( k e m e lp l s ，k p l s ) ，核i c a ( k e m a li c a ， k i c a ) 等非线性m s p c 方法( l e e , 2 0 0 4 c ，2 0 0 7 ；c h o i ，2 0 0 5 ；c h o , 2 0 0 5 ；l e e ， 2 0 0 6 a b ；y o o ，2 0 0 6 ；z h a n g ，2 0 0 8 ) 该类方法的思路大体类似，印首先利用非 线性映射关系把原始数据投影到高维特征空问，然后在该特征空间中对数据 进行m s p c 分析，并构造相应的统计量对过程进行监测除了非线性m s p c 之外，核学习方法还有很多派生算法，如支持向量数据描述( s u p p o r tv e c t o r d a t ad e s c r i p t i o n ，s v d d ) ，最小二乘向量回归( l e a s ts q u r e ss u p p o r tv e c t o r r e g r e s s i o n l s s v r ) 等，在过程监测领域也已经有了不少研究和应用成果，如 l i u ( 2 0 0 8 ) ，g e ( 2 0 0 8 ) ，谢磊( 2 0 0 9 ) 等虽然核方法解决了神经网络方法的很多 困难，但是，该方法还是有很多有待解决和开放性的问题，比如核函数的选 择和大样本情况下的计算效率问题等等 1 3 2 3 时变和多工况问题 在实际的流程工业生产过程中，一方面，由于工业过程原料或催化剂的 绪论 性质发生变化，外界环境的变化，以及过程设备可能出现的老化等现象，会 导致过程的正常操作工况随时问发生漂移另一方面，由于现代市场对产品 多样化的需求以及工业流程装置本身有可能运行在多个稳态操作点，导致过 程数据往往表现出多工况的特征 目前在处理时变过程的监测问题上，主要的方法是递归算法，即把新的 过程数据不断地加入到建模数据矩阵中去，通过更新模型的参数，使之适应 新的过程工况d a y a l ( 1 9 9 7 ) ，q i n ( 1 9 9 8 ) ，s t o r k ( 1 9 9 9 ) ，l i ( 2 0 0 0 ) ，w a n g ( 2 0 0 3 。 2 0 0 5 ) ，j i n ( 2 0 0 6 ) ，h e ( 2 0 0 8 ) ，l i u ( 2 0 0 9 ) 等都对递归算法做了大量的工作但 是，递归算法一般只适用于慢时变过程，对于多工况工程，递归算法容易在 工况切换的时候引起误报为了有效地对多工况过程进行监测，h w a n g ( 1 9 9 9 ) 提出了s u p e r - p c a 模型和递阶聚类结构，l a n e ( 2 0 0 1 ) 提出了一种公共子空间建 模方法用于多产品过程的监测，s e b z a l l i ( 2 0 0 1 ) 提出了基于模糊聚类和p c a 的 多工况监测方法，c h e n ( 19 9 9 ，2 0 0 0 ) ，c h o i ( 2 0 0 4 ) ，t h i s s e n ( 2 0 0 5 ) ，v u ( 2 0 0 8 ) 等分别提出了基于高斯混合函数的多工况过程监测方法，z h a o ( 2 0 0 4 ，2 0 0 6 ) ， s i n g h a i ( 2 0 0 6 ) 分别提出了多模型和基于模式匹配的方法另外，由于基于递归 迭代的方法具有很强的盲目性，印无法正确地区分过程正常的工况变化和故 障工况，有可能导致过程的模型迭代沿着故障的方向进行针对该问题， k a n o ( 2 0 0 4 a ) 提出了一种基于外部分析的多工况过程监测方法，该方