（控制理论与控制工程专业论文）基于plsstatis方法的间歇过程统计性能监控研究.pdf

浙江大学硕士学位论文 摘要 保证生产安全和产品质量一直是工业生产过程的两大追求目标。在：l = 业生产 过程中，对过程实施性能监控，及时有效地发现和修复过程故障，提高产品质量 致性，是进行工业过程监控的目的利动机。间歇过程是现代流程工业中种重 要的生产方式，由于其本身的灵活性，广泛应用于精细化工、食品、制药等工业。 间歇过程统计性能监控基于历史数据，离线建立统计监控模型并用于在线性能监 控和故障诊断。由于间歇过程统计性能监控研究不需过程精确的解析模型，所获 得理论成果和方法能够较快的应用于实际工业生产过程中，已成为过程控制领域 的研究热点之一。本文的主要内容包括： 1 综述了流程工业过程监控的目的、必要性以及过程监控的主要方法。阐 述了多变量统计过程性能监控的历史、现状。概括了本文的主要研究工作。 2 介绍了统计性能监控的理论基础和基本方法，给出了间歇过程统计性能 监控的一般框架。 3 提出了一种基于鲁棒p l s 的间歇生产过程统计性能监控方法。用于解 决历史数据存在离群点时的间歇过程统计性能建模问题。s b r 间歇聚合反应过 程应用表明：当建模数据存在离群点影响时，鲁棒m p l s 仍能给出正确的监控 结果。克服了传统m p l s 鲁棒性的不足，保证统计监控模型不过分依赖建模数 据，有效减轻了模型对数据的要求。 4 ，提出了一种基于s t a t i s 方法的间歇生产过程统计性能监控方法。间歇 过程是一种不连续的生产过程，生产周期不尽一致，每个批次的长度不尽相同。 三维数据处理方法s t a t i s 不需要特殊的数据预处理和数据规整，可以直接处 理间歇过程数据，降低了建模计算的复杂度。d u p o n t 间歇聚合反应过程应用表 明，和多向主元分析m p c a 相比，该方法还具有一定的鲁棒性。 在全文研究的基础上，提出了有待迸一步研究的课题和今后研究工作的重 点。 关键词：间歇过程统计性能监控部分最小二乘s t a t i s 浙江大学硕士学位论文 a b s t r a c t s t h es a f e t yo fp r o d u c t i o np r o c e d u r ea n dc o n s i s t e n c yo fp r o d u c tq u a l i t ya r e a l w a y st w og o a i so f t h ep r o c e s si n d u s t r y i ti so n l yt i m e l ya n de f f e c t i v e l yf i n d i n ga n d r e s t o r i n gf a u l ti np r o c e s st h a tc a n c r e a t ec o n d i t i o n sf o rp r o v i d i n gp r o d u c t sw i t hg o o d p e r f o r m a n c ea n dc o n s i s t e n tq u a l i ty ，w h i c hi sa l s ot h eo b j e c ta n dm o t i v a t i o no f p r o c e s sm o n i t o r i n g b a t c hp r o c e s s e sp l a yi m p o r t a n tr o l ei np r o c e s si n d u s t r y d u et o t h ef l e x i b i l i t y , b a t c hp r o c e s s e sa r ew i d e l yu s e di nf i n ei n d u s t r y , f o o di n d u s t r ya n d p h a r m a c e u t i c a l s b a s e d o nh i s t o r i c a l o p e r a t i o nd a t a ，b a t c hs m p c ( s t a t i s t i c a l p e r f o r m a n c em o n i t o r i n g & c o n t r 0 1 ) e s t a b l i s h e sm o n i t o r i n ga n df a u l td i a g n o s i s m o d e l so f f - l i n ea n da p p l i e st h e mi nt h eo n l i n e m o n i t o r i n go fb a t c hp r o c e s s o p e r a t i o n b e c a u s eb a t c hs m p cd o s el l o tn e e dt h ea c c u r a t em o d e ho ft h ep r o c e s s e s a n dt h et h e o r ya n dm e t h o d sg a i n e df i - o mr e s e a r c hw o r kc a nb eq u i c k l yu s e d ，i th a s b e c o m eo n eo ft h em o s ta c t i v er e s e a r c ha r e a si np r o c e s si n d u s t r y t h em a i nr e s e a r c h w o r k sa r ea sf o l l o w s ： 1 as u r v e yo f t h ea i m , t h en e e da n dt h em a i nm e t h o d so f t h ep r o c e s sm o n i t o r i n g t h eh i s t o r ya n ds t a t u so f m s p ca r ea l s oi n t r o d u c 甜 2 t h eb a s i ct h e o r ya n dm e t h o d so fs t a t i s t i c a lp e r f o r m a n c em o n i t o r i n ga r e i n t r o d u c e da n dab a s i cf r a m e w o r kf o rs t a t i s t i c a lp e r f o r m a n c em o n i t o r i n go fb a t c h p r o c e s s e si sg i v e n 3 am e t h o df o rs t a t i s t i c a lp e r f o r m a n c em o n i t o r i n go fh a t c hp r o c e s s e sb a s e do n r o b u s tm p l si sp r o p o s e dt oc o n s t r u c tm o n i t o r i n gm o d e l sw h e no u t l i e r sa r ep r e s e n t i nh i s t o r i c a ld a t a 。a p p l i c a t i o n so ns b rb a t c hp o l y m e r i z a t i o np r o c e s ss h o wt h e e f f i c i e n c yo fr o b u s tm p l sm e t h o d r o b u s tm p l se l i m i n a t e st h ee 岱：c to fo u t l i e r s e f f 矗c i e n t l yw h i l et r a d i t i o nm p l si ss t r o n g l ya f f e c t e db yt h e m 4 am e t h o df o rs t a t i s t i c a lp e r f o r m a n c em o n i t o r i n go fb a t c hp r o c e s s e sb a s e do n s t a t i si sp r o p o s e d b a t c hp r o c e s si sn o tac o n t i n u o u sp r o c e s sa n di sd i f f e r e n ti n p r o d u c t i o np e r i o d s b a t c hp r o c e s sd a t ah a v en o ta l w a y sp e r f e c ts t r u c t u r e s t a t i s ，a t h r e e w a ym e t h o df o rd a t aa n a l y s i si si n t r o d u c e dt ob a t c hs p m c s 脚i sm e t h o d c a nd e a lw i t hi m p e r f e c tn - l i n e a rd a t as t r u c t u r ed i r e c t l yw i t h o u ta n yd a t aw a r p i n g a p p l i c a t i o n so nd u p o n tb a t c hp o l y m e r i z a t i o np r o c e s ss h o wt h a tt h es t a t i sm e t h o d i sr o b u s t f i n a l l y , t h e r ea r ec o n c l u d e dw i t has u m m a r ya n ds o m ef u r t h e rr e s e a r c ha r e a si n t h i st h e s i s k e y w o r d sb a t c hp r o c e s s ；s t a t i s t i c a lp e r f o r m a n c em o n i t o r i n g c o n t r o l ；p a r t i a l l e a s ts q u a r e s ；s t a t i s 浙江大学硕士学位论文 致谢 转眼间两年半的时间过去了。回首求学生涯，想说的太多。在此我首先要 衷心地感谢导师王树青教授对我孜孜不倦的教育和指导。王老师渊博的学识、 严谨的治学态度、踏实的工作作风和敏锐的洞察力使我受到潜移默化的熏陶， 使我不仅在科研能力上得以提高，更学会了做人、做事的原则和方法，是我一 生学习的榜样。 衷心感谢王宁教授、张建明副教授、张泉灵副教授、金晓明副教授、来国 妹女士以及系里其它老师在学习和工作上给予我的关心和帮助。 在攻读硕士期间经常与谢磊同学进行了有益的探讨，在此表示感谢。同时 感谢统计性能监控课题组的郭明、蒋丽英、陈亚华、周韶园、何宁、刘雪芹同 学，与他们在一起讨论，得到不少启发和思路，让我受益匪浅。 感谢师兄苏成利博士、黄海博士、李奇安博士、陈刚博士给予的帮助和鼓 励。感谢实验室的杨顶方、黄少锋、阚小旭、陈良、周猛飞、吴献东、徐业建、 潘文斌、张奕、黄亮、陶吉利、陈雪丽、智力、潘彩霞、杜鹃等，怀念和他们 一起度过的愉快时光。感谢赵标、陈恩平、刘进锋、杨黎刚等同学和室友对我 的关心和帮助。 对所有支持和帮助过我的老师、同学、朋友表示感谢! 感谢我的爸爸妈妈，他们无私的支持和鼓励是我学习的动力，您们永远健 康快乐是我最大的心愿。 感谢所有以上还未提及的曾经帮助过我的师长、同学和好友1 1 1 1 瓤棚 2 0 0 6 年元月于浙大求是园 浙江大学硕士学位论文 例如，1 9 8 4 年位于印度伯帕尔市的美国碳化公司农药厂发生毒气泄漏事故，造成2 0 0 0 多人死r ：，2 0 多万人受伤，成为世界工业史上的恶性事故典型；1 9 8 6 年1 月，美国航天 匕机“挑战者”号发生爆炸，导致机舱内7 名宇航员全部遇难；总计损失高达1 2 亿美元； 美国仅石化工业一年造成的经济损失超过2 0 0 亿美元【6 ；英国在制药，精细化工，电力 等行业每年要付出大约2 7 0 亿美元的代价【”；2 0 0 5 年1 1 月1 3 日发生在我国吉林省的吉林 石化爆炸，直接经济损失4 6 0 0 多万元，造成了重大水污染。由此可见，为了提高工业生 产过程与控制系统的安全性和可维护性，同时提高产品质量、降低成本，迫切地需要建 立过程控制脏控系统。过程监控系统的任务就是监督生产过程的运行状态，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，提高产品 的竞争力刚”。 1 2 故障及故障诊断 所谓故障【10 【” ，指系统中至少一个特征或参数出现了较大偏差，超出了可接受的范 围。此时系统的性能明显低于其正常水平，所以难以完成其预期的功能【1 “。通常意义 下，故障( f a u k ，f a i l u r e ) 至少有两种不同含义：一是指系统功能部件“先天”固有的缺点、 缺陷或瑕疵；一是指系统在使用或者运行过程中发生的功能型异常变化。作为过程监控 主要对象的动态系统故障，大多是指后一类情形，本文所研究的就是对这一类故障进行 过程监控。一般而言，动态系统中故障的发生部位、时间特性、发生形式呈现出多样 性旧 1 引。 所谓故障诊断，是指由计算机利用系统解析冗余，完成工况分析，对生产是否正常、 什么原因引起故障、故障的程度有多大等问题进行分析、判断，得出结论的过程。美国 麻省理工学院首先提出了用解析冗余代替硬件冗余 14 1 ，并通过系统的自组织使系统闭 环稳定，通过比较观测器的输出得到系统故障信息的新思想，标志着这门技术的诞生。 故障诊断技术是- - f 综合性的技术，它涉及到多门学科，如现代控制理论、可靠性 设计、数理统计、模糊集理论、信号处理、模式识别、人工智能等。评价一个故障诊断 系统的性能指标主要有：故障检测的及时性；早期故障检测的灵敏度；故障的误报率和 漏报率；故障定位和故障评价的准确性；故障检测和诊断系统的鲁棒性。 茚一章综述 1 3 过程监控方法 从不同的角度出发，过程监控的分类完全不同。f ! a n 型33 3 早在1 9 9 0 年将过程监控的 方法分成三类，基于数学模型的方法、基于知识的方法，以及基于信号处理的方法。但 是，随着多变量统计方法在小断廊用，f r a n k 的方法昂然硅得不够准确全面。国内外很 1 ；e 掌- 者都提出了不同的分类方法：v e n k a t a s u b r a m a n i a i ”一”1 在总结f r a n k 1 2 州】、m a h j 等人的工作基础上将过程监控分为i 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。王海青【9 从是否依赖数学模型这个角度对过程监控进 ijs ) 类。蒋丽英川、陈国金酬等也给出了相应的分类方法。本文分叫类进行阐述，即 基于解析模型的方法、皋于知识的方法、基于信号处理的方法和数据驱动的方法。 1 3 1 基于解析模型的方法 堇于模型的方法是最早发展起来的，所谓基于解析模型的故障诊断，就是通过将被 诊断对象的可测信息和由模型表达的系统先验信息进行比较从而产生残差，并对残差 进行分析和处理而实现故障诊断的技术。其优点是能深入系统本质的动态性质和实时诊 断，缺点是通常难以获得系统模型，且由于建模误差、扰动及噪声的存在，使得鲁梓性 问题目益突出。基于解析模型设计的过程监控系统的关键问题是把故障引起的残差和其 他变化引起的残差区分开。上要有以下三种方法；状态估计方法、参数估计方法和等价 空i 剞方法。 状态空间法 2 2 - 2 6 堪本思想是：重构被控过程状态，通过与可测变量比较，构成残著 序列，再构造适当的模型，并采用统计检验法，从残差序列中把故障检测出来，并做进 一步的分离、估计与决策。参数估计方法又分为摹于系统参数估计的故障诊断方法 2 7 - 3 2 1 和基丁故障参数估计的故障诊断方法。等价空间方法口3 “1 的基本思想就是通过系统的输 入、输出f 或部分输出1 的实际值榆验被诊断对象数学关系的等价性，从而达到检测和分 离故障的日的。 1 3 2 基于知识的方法 基于知识的故障诊断方法与基于信号的故障诊断方法类似，不需要定量的数学模 型。1 i 同之处在于，它引入了诊断对象的许多信息，特别是可以充分利用专家诊断知识 型。不同2 处在于，它引入了诊断对象的许多信息，特别是可以充分利用s 家渗断知识 第一章综述 1 3 过程监控方法 从不同的角度出发，过程监控的分类完全不同。f r a n k 13 早在1 9 9 0 年将过程监控的 方法分成三类，基于数学模型的方法、基于知识的方法，以及基于信号处理的方法。但 足，随着多变量统计方法在不断应用，f r a n k 的方法显然显得不够准确全面。国内外很 多学者都提出了不同的分类方法：v e n k a t a s u b r a m a n i a 1 5 1 在总结f r a n k 1 2 】、m a h 1 堋 等人的工作基础上将过程监控分为三种类型，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。王海青【9 从是否依赖数学模型这个角度对过程监控进 行分类。蒋丽英2 “、陈国金 2 ”等也给出了相应的分类方法。本文分四类进行阐述，即 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数据驱动的方法。 1 3 1 基于解析模型的方法 基于模型的方法是最早发展起来的，所谓基于解析模型的故障诊断，就是通过将被 诊断对象的可测信息和由模型表达的系统先验信息进行比较，从而产生残差，并对残差 进行分析和处理而实现故障诊断的技术。其优点是能深入系统本质的动态性质和实时诊 断，缺点是通常难以获得系统模型，且由于建模误差、扰动及噪声的存在，使得鲁棒性 问题日益突出。基于解析模型设计的过程监控系统的关键问题是把故障引起的残差和其 他变化引起的残差区分开。主要有以下三种方法：状态估计方法、参数估计方法和等价 空间方法。 状态空间法 2 2 。2 6 基本思想是：重构被控过程状态，通过与可测变量比较，构成残差 序列，再构造适当的模型，并采用统计检验法，从残差序列中把故障检测出来，并做进 一步的分离、估计与决策。参数估计方法又分为基于系统参数估计的故障诊断方法 2 7 - 3 2 1 和基于故障参数估计的故障诊断方法。等价空间方法 3 3 - 3 6 1 的基本思想就是通过系统的输 入、输出f 或部分输出1 的实际值检验被诊断对象数学关系的等价性，从而达到检测和分 离故障的目的。 1 3 2 基于知识的方法 基于知识的故障诊断方法与基于信号的故障诊断方法类似，不需要定量的数学模 型。不同之处在于，它引入了诊断对象的许多信息，特别是可以充分利用专家诊断知识 浙江人学硕士学位论文 等，所以是很有前景的故障诊断方法，尤其在非线性系统领域。它分为基于症状的方法 和基于定性模型的方法等。基于症状的方法包括神经网络方法、模糊推理方法、专家系 统方法、模式识别方法等；基于定性模型的方法又可分为定性观测器、定性仿真、知识 观测器等。 基于神经网络的故障诊断方法 3 7 - 4 1 ，在知识获取方面，只需要用该领域专家解决问 题的实例或范例来训练神经网络。不足之处在于未能充分利用许多特定领域中专家积累 起来的宝贵经验。模糊推理方法【4 2 4 7 1 不需要建立精确的数学模型，适当运用隶属函数和 模糊规则，进行模糊推理就可以实现模糊诊断的智能化。模糊诊断方法的不足之处在于， 对复杂的诊断系统，要建立正确的模糊规则和隶属函数是非常困难的。专家系统渗断 4 8 - 5 0 利用了专业知识进行推理来解决专业高难度实际问题的智能系统。无论是在理论上 还是在工程上应用都很广泛。专家系统主要缺点是知识获取的“瓶颈”问题，同时对系 统的新故障和系统设计边缘问题的求解具有脆弱性。模式识别的方法 5 1 】是对系统的工 作流程经过仿真和分析，建立各种故障模式，根据测量信息，确定系统应属于哪一类模 式，从而检测和分离故障。采用模式识别方法进行故障诊断的前提条件是必须有在正常 操作下和故障状态下的样本。 1 3 3 基于信号处理的方法 基于信号的故障诊断直接利用信号模型，提取幅值、相位、频谱等特征值。该方法 是一种传统的过程监控方法。其中基于小波变换的故障诊断方法是一种新的信号处理方 法 5 2 - 5 7 。小波变换是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 和m a l l e t 日 入信号处理领域。叶吴【55 等给出了三种基于小波变换的故障诊断方法：利用 观测信号的奇异性进行故障诊断、利用观测信号频率结构的变化进行故障诊断和利用脉 冲响应函数的小波变换进行故障诊断。基于小波变换的故障诊断方法无需对象的数学模 型，且对输入信号的要求较低，计算量不大，可以进行在线实时故障检测，灵敏度高， 克服噪声能力强，是一种很有前途的故障诊断方法。 1 3 4 数据驱动的方法 基于数据驱动的方法 5 8 】就是直接利用过程数据的一种监控方法。数据驱动技术的 优势在于它们能够将高维数据变换成低维的数据，并从中获取总要的信息。基于数据驱 4 第一章综述 动的监控方法不需要精确的数学模型，而是采用多元投影的方法，将高维过程和质量数 据从高维数据空间投影到有效的低维特征空间，摈弃冗余。是一种高维数据分析的有效 数据。数据驱动方法可以分为单变量和多变量统计方法。v e n k a t a s u b r a m a n i a ( 2 0 0 3 ) 将基 于人工智能的方法也包含在数据驱动的方法中，并将基于数据驱动的方法从定性和定量 两个角度进行了分类，如图l l 所示。 图1 - 1 基于数据驱动的分类方法 以上的几种方法各有优缺点，实际应用中常将多种监控方法结合起来，达到故障诊 断和过程监控的目的。 1 4 多变量统计过程性能监控研究现状 目前多变量统计过程控制方法中，常用的有主元分析删( 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 ，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 ，p l s ) 、f i s h e r 判别式分析 ( 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 ) 、规范变量分析 5 8 】( c a n o n i c a lv a r i a t ea n a l y s i s ，c v a ) 以及独立成分分析眄( 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 ) 。咀及独立成分分析 6 0 ( 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 ) 。本章分连续和间歇生产过程进行阐述。 1 4 。1 连续生产过程性能监控研究现状 1 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 ) 主元分析方法是一种线性方法，最早由k a r lp e a r s o n 提出【6 ”，但是直到1 9 3 3 年 浙江大学硕士学位论文 h a r o l dh o t e l l i n g e ”】才把p c a 理论变成我们现在真正通用的形式。在上世纪3 0 年代末到 4 0 年代初，大量的研究工作不断涌现。计算机技术的发展也促使了研究工作的进展。 j a c k s o n 6 1 于1 9 5 9 年将丁2 统计量与主元分析( p c a ) 结合起来，随后j a c k s o n 和m u d h o l k a r 将p c a 引入到多元统计过程控制中，并将残差分析( s p e ，又称q 统计量) 引入p c a 中。近_ 卜年，p c a 的理论日趋成熟，在工业过程中得到广泛应用。主元分析可以用来 实现数据简化、数据压缩、建模、奇异值检测等功能。 从数学的角度而言，主元分析是通过对测量数据矩阵的协方差进行奇异值分解 ( s i n g u l a r v a l u ed e c o m p o s i t i o n ，s v d ) 而得到。其具体算法将在第二章中详细介绍。 2 主元回归和部分最小二乘p l s 主元回归6 ”( p r i n c i p a lc o m p o n e n tr e g r e s s i o n ，p c r ) 是主元分析p c a 的一个简单 扩展。与p c a 相比，除了具有p c a 相同的监控功能外，还具有预测能力 6 4 】【6 5 1 。 部分最小二乘法( p a r t i a ll e a s ts q u a r e s ，p l s ) 最早由h w o l d 提出6 6 1 ，开始主要 用于社会经济领域，后来被s w o l d 发展和推广用于化学计量学，如今已经成为广泛应 用于各领域的统计回归方法。部分最小- 乘，又称为潜隐结构投影法( p r o j e c t i o nt ol a t e n t s t r u c t u r e ) ，是一种将降维空间的每个元素的预测矩阵x 与被预测矩阵y 的协方差最大 化的降维技术。在部分最d , - - 乘分析中，对矩阵x 和矩阵i ，的分析是逐步地、交换地 进行。通过输入矩阵x 与输出矩阵l ，之间地相互交换分解信息，找到最优的特征方向。 目前，文献中提到不同p l s 算法，比较通用的如n i p a l s ，其算法基本思想和迭代步骤 也将在第二章中给出详细介绍。也可以通过其他的方法计算p l s ，如s i m p l s ，第三章 也将给出其详细算法。 尽管p c a 和p l s 已经成功得到广泛的应用，但是它们还是具有一定的局限性，算 法在推导过程中做了一下前提假设： ( 1 ) 要求个变量服从正态分布，即满足独立同分布的条件； ( 2 ) 过程处于稳态，变量之间是序列不相关； ( 3 ) 相关变量之问的关系是线性的； ( 4 ) 过程参数是恒值参数，不随时间变化。 以 二前提假设限制了传统p c a 和p l s 方法在实际过程中的应用，因此，针对l 二述假设， 6 第一章综述 提出了很多改进算法。 3 改进方法 a 1 对高斯正态分布的假设 p c a 和p l s 都是假设变量服从独立同分布的，此条件下，r2 统计量服从f 分布， s p e 统计量的控制限包服从黜；分布。但实际的工业过程中，观测数据是否服从假定 高斯分布是未知的，需要进行统计检验。事实上，采用基于数据驱动的非参数统计方法， 可以从大量的数据中挖掘出数据的分布信息，而且事先不必做假设 6 ”，从数据中估计 出概率密度函数的主要方法又h i s t o n g r a m 直方图方法，核函数估计法，小波密度估计 等。和传统的方法相比，计算更复杂。采用非参数分析方法用于过程监控的有c h e n 和 w y r m e 68 1 ，王海青等 6 9 ，b o w m a n 【7 0 ，y i 等 7 1 。 b ) 非线性改进 p c a ，p c r 和p l s 都是线性的过程监控技术，而实际的工业过程大都是非线性的。 文献中提到了很多方法用来处理非线性问题。h a s t i e 和s t u e t z l e 7 2 1 于1 9 8 9 年提出了主元 曲线和主元曲面( p r i n c i p a lc u r v e & p r i n c i p a ls u r f a c e ) ，k r a m e r 7 3 】提出了一种基于五层 神经网络的非线性p c a 。n l p c a 只是借用了p c a 降维的概念，严格说并不是一般p c a 的推广形式。在h a s t i e 工作的基础上，d o n g 提出了一种利用神经网络实现的基于主元 曲线的非线性p c a 模型。此外m a l t h o u s e 等f 7 4 】，j i a t 7 5 1 ，谢磊等 7 6 1 都对n l p c a 做了一 些l ：作。 非线性p l s 由w o l d 在1 9 8 9 年提出7 7 1 。q i n 和m c a v o y 7 8 1 ，m a l t h o u s e 等 7 9 ，b a f f i 等【8 吲先后将将神经网络技术引入到p l s 建模体系中。 非线性多变量统计方法在过程监控中的应用见d o n g 和m c a v o y 8 ”，z h a n g 等8 2 1 ，j i a 等，s h a o 等，f o u r i e 和v a a l 8 4 1 ，l i n 等。 c 1 单一尺度的改进 多尺度分析的理论可见( v e t t e r l i 矛l l h e r l e y 8 6 1 ； a l s b e r g i 宰 8 7 1 ) 。就过程监控而言， b a k s h i 提出的多尺度p c a t 8 8 1 ( m u l t i s c a l ep c a ，m s p c a ) ，利用小波将每一信号分解为多 7 浙江人学硕士学位论文 个尺度上的信号，在每一尺度上分别建立相应的模型。这一方法是在频率域上建立多个 模型，突破了传统的时间尺度上单个模型的建模方法，在一定程度上也克服了非线性的 影响。s h a o 等f 8 3 ，r o s e n 和l e 衄o x 8 9 1 ，m i s r a 等 9 0 也对多尺度p c a 作了不同的应用研究。 郭明等9 1 1 通过建立过程的动态模型，对模型的预测残差进行多尺度分析，将该方法扩 展用于问歇过程的监控。 d ) 动态方面的改进 对于大多数工业过程而言，都存在动态特性，测量变量并不是序列无关的，当前时 刻的测量变量与过去若干时刻的测量变量都有关系。k u 等在1 9 9 5 年提出动态主元分析 ( d y n a m i cp r i n c i p a lc o m p o n e n ta n a l y s i s , d p c a ) ，采用相类似的方法还包括w i s e 和 r i c k e r p 3 1 ，b a f f i 9 ，t s u n g ，陈耀。动态主元分析d p c a 虽然较好的解决了数据的动 态性问题，但仍是一种线性化的建模方法。 1 4 2 间歇生产过程性能监控研究现状 问歇生产过程监控是现代化过程工业中另外一种生产方式，由于其本身所具有的灵 活性，5 0 左右的过程生产都采用该生产方式。特别是在精细化工、生物制药等利润高、 产量小、品种多的工业部门。间歇生产过程在工业生产中越来越受重视。间歇生产过程 的性能监控和故障诊断逐渐成为统计过程控制的研究热点之一。与连续生产过程相比， 间歇过程具有启动频繁、动态特性变化快、多阶段、有限生产周期等特点。因此间歇过 程的监控显得更加复杂。不同于连续生产过程，间歇过程的历史生产数据以批次为单位 构成三维数据矩阵，即批次( i ) 变量( j ) 时间( k ) ，如图1 2 中基所示。 v a r i a b l e s0 3 图1 2 间歇生产历史数据展开示意图 第一章综述 对于间歇过程的监控，n o m i k o s 和m a c g r e g o r 9 7 【9 8 1 率先引入p c a 和p l s ，提出了 多向主元分析( m u l t i w a yp r i n c i p a lc o m p o n e n ta n a l y s i s ，m p c a ) 和多向部分最小乘 ( m u l t i w a y p l s ，m p l s ) 。它的基本思想就是首先将三维数据展开成二维数据矩阵，然 后再用传统的p c a 和p l s 方法对间歇生产过程进行监控。具体算法将在第。一：章介绍。 阻m p c a 和m p l s 为基础，不少学者先后提出了各种方法，提出了基于f d a 方法 和i c a 方法的间歇过程住能监控和故障诊断方法。并且，适用于连续过程的多变量统 计过程监控方法也被延伸到间歇生产过程中。例如，c h e n t 9 9 】提出了利用动态p c a 和动 态p l s 在线监控间歇过程：郭明等【9 1 提出了基于模型的多尺度间歇过程性能监控。对 间歇过程的监控，还存在以下几个问题。首先在建立间歇过程统计监控模型前，需要 对数据进行预处理。常见的算法有填充法【1 0 0 】【1 0 ”、指示变量法 10 2 1 、动态时间规整 1 03 1 、 和阶段聚类法 1 0 4 等。需要指出的是，c h e n 提出了一种基于轨迹正交拟合系数的函数 p c a ( f u n c t i o np c a ) 方法，可以直接处理批次长度不同的问题，但是函数p c a 算法 无法用于过程的在线监控，并且缺乏故障诊断的能力。p a r a f a c 2 1 0 5 【如q 可以直接处理 = 二维数据，但是算法的复杂度很高。本文第四章将介绍一种s t a t i s 算法，能够直接处 理数据结构不完整的三维数据，并且该方法还具有一定的鲁棒性。 间歇过程监控的另外一个问题就是在线数据填充问题。间歇过程在线监控是会遇到 数据不完整的问题，即在过程进行时，当前采样时刻以后的数据是未知的，从而无法进 行正常的监控。n o m i k o s 和c h o 提出了处理该问题的四种方法【9 7 】 ”7 】：( 1 ) 填零法，即 采用历史数据的均值填充未知数据；( 2 ) 当前值法，采用当前采样时刻的值填充；( 3 ) 缺失数据补充法，第三章将做详细介绍；( 4 ) 历史数据匹配法1 0 7 1 ，即通过将当前批次 与历史数据库中的批次进行匹配，找出最近似的批次，将其用来未知数据的补充。四种 方法中常用第三种。第一种对故障不够敏感，而第二种则过于敏感，第四种在线运算量 太大。 数据预处理的另外一个问题就是建模数据存在离群点的情况，谢磊等【”8 1 提出了 种鲁棒m p c a 算法，用于解决m p c a 建模历史数据存在离群点似的统计性能监控问题。 本文第三章将介绍一种基于鲁棒p l s 算法的间歇过程性能监控方法【”9 1 ，用于解决 m p l s 建模数据存在离群点的问题。 9 浙江大学硕+ 学位论文 1 5 本文主要工作 本文的工作主要集中在间歇过程统计性能监控建模和故障诊断方面。统计过程性能 监控就是基于过程正常工作情况下的历史数据，建立正常j ：况( n o c ) 的统计性能监 控模型。和连续过程相比，间歇过程统计性能监控显得更加复杂，本文基于部分最小二 乘( p l s ) 和s t a t i s 算法，对间歇过程统计性能监控进行了一定的理论研究和应用仿 真。 本文的研究工作和主要成果主要包括以下几个方面： 1 综述了流程工业过程监控的目的、必要性以及过程监控的主要方法。分别从连 续生产过程和间歇生产过程两个方面阐述了多变量统计过程性能监控的研究 历史、现状以及存在的问题。 2介绍了统计性能监控的理论基础和基本方法，总结了间歇过程统计性能监控的 一般框架。 3 提出了一种基于鲁棒p l s 的间歇生产过程统计性能监控方法，用于解决历史数 据存在离群点时的间歇过程统计性能建模问题。并基于s b r 间歇聚合反应过 程应用表明：当建模数据存在离群点影响时，鲁棒m p l s 仍能给出正确的监控 结果。克服了传统m p l s 鲁棒性不足，个别离群点便可能导致建立的统计监控 模型失效的缺点，保证统计监控模型不过分依赖建模数据，有效减轻了模型刘 数据的要求。 4 提出了一种基于s t a t i s 方法的间歇生产过程统计性能监控方法。对于间歇过 程来说，原料组分的变化以及操作条件的差异均会影响到反应速率，进而导致 每个批次的反应时间k 不尽相同。传统统计性能监控方法应用的一个前提就是 每个批次的长度必须相同，应此建模以前必须对数据进行规整。本文介绍r 一 种三维数据处理方法s t a t i s 算法， 并将其应用于间歇生产过程统计性能监 控。s t a t i s 方法不需要特殊的数据预处理和规整，降低了建模计算的复杂度。 同时由于考虑了每个采样数据矩阵之间的相似性，能克服离群点的影响， d u p o n t 间歇过程应用表明，该方法还具有一定的鲁棒性。 5 在全文研究的基础上，提出了有待进一步研究的课题和今后研究工作的重点。 1 0 第二章统计性能监控方法 第二章统计过程性能监控方法 摘要 本章将详细介绍统计性能监控的理论基础，重点介绍多变量统计性能监控的主要方 法：主元分析法( p c a ) 法和部分最小二乘法( p l s ) 。晟后介绍间歇生产过程统计性能监 控的传统方法m p c a 和m p l s ，并阐述了基于m p c a 和m p l s 的间歇过程性能监控步骤。 关键词：主元分析，部分最小二乘，多向主元分析，多向部分最小二乘，间歇过程 2 1 引言 任何一个生产系统经过长期运行和生产负荷变化后都不可避免地发生各种故障， 这些故障可能影响产品质量，甚至引起重大安全隐患。因此，过程的性能监控和故障检 测对于安全生产和提高产品质量都有重要意义。 就工业过程的性能监控领域而言，当前研究方法可分为三大类：基于数学模型的 方法、基于知识的方法和基于数据驱动的方法。基于模型的方法发展时间较长，相对比 较成熟，但主要成果限于线性系统，监控性能的好坏很大程度上依赖于过程模型的准确 程度。由于流程工业的复杂性、严重非线性以及强耦合性等特点，基于模型的方法在流 程工业的性能监控中难以得到广泛应用。基于知识的方法主要是利用人工智能的方法 ( 包括模糊逻辑、因果分析、专家系统等) ，构造某些系统功能以模仿和实现人类( 熟 练操作人员、技术人员、专家) 在监测控制过程中的某些思维和行为，自动完成整个检 测和诊断过程。基于数据驱动的方法以采集的过程数据为基础，通过各种数据处理与分 析方法( 如多元统计方法、聚类分析、频谱分析、小波分析等) 挖掘出数据中隐含的信 息，从而指导操生产。相比较而言，基于数据驱动的性能监控的研究不需过程的精确解 析模型，所获得的理论成果和方法能够较快地应用于实际工业生产中【“。 在基于数据驱动的工业过程性能监控算法中，研究和应用最多的方法应属统计方 法厂。统计过程控制( s t a t i s t i c a l p r o c e s sc o n t r o l , s p c ) 的思想早在上个世纪初就提出来了。 统计过程控制开始于7 0 多年前美国休哈特博士( w a s h e w h a r t ) 的第一张质量控制图。 浙江大学硕士学位论文 从质量控制的角度看，又称统计质量控$ 1 j ( s t a t i s t i c a lq u l i t i t yc o n t r o l , s q c ) ”1 qo 传统的 统计过程控制是单变量统计过程控制，包括s h e w h a r t 控制图、e w m a 控制图( c u s u m ， c u m u l a t i v es u m ) 和c u s u m 控制图( e w m a ，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 ) 等，在工业过程中有广泛的应用。基于多变量统计的性能监控故障诊断方法近年来在化 工过程中得到广泛应用。在计算机系统普遍应用，控制技术日益提高，有丰富的生产数 据的情况下，采用多变量统计方法，能有效地提高产品质量、增加经济效益。 多变量统计过程控s t j ( 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 sc o n t r o l , m s p c ) 由大量方法组 成，传统多元统计故障诊断的基本方法是主元分析( p c a ) 和部分最小二乘法( p l s ) ，除了 基本的方法之外，它们都有各自不同的扩展，以适应不同场合中应用的需要，本章将分 别加以介绍。本文将这些扩展算法以及基于数据统计信息的故障诊断算法统称为统计“性 能监控算法( s t a t i s t i c a lp e r f o r m a n c em o n i t o r i n g & c o n t r o o 。 2 2 单变量统计性能监控方法 统计过程监控是应用统计学原理，监控生产过程，判断过程是否处于“在控状态” ( i n c o n t r 0 1 ) 或“失控状态”( o u t o f c o m r o o 。统计过程监控( s p c ，s t a t i s t i c p r o c e s s c o n t r 0 1 ) 的基本思想最早是由s h e w h a r t 【1 1 2 于1 9 3 1 年提出。之后在一大批学者和工程技术人员的 推动下，首先在离散制造工业中获得了广泛的成功应用。直到上世纪7 0 年代，s p c 才 在过程工业成为一种质量控制的标准工具。早期的单变量方法主要有s h e w h a r t 控制图、 累计和控制图和指数加权移动平均控制图。 s h e w h a r t 控制图 s h c w h a r t 控制图是最常用的控制图， 上下限来监控过程的状态。 p 2 毫f 聍= 1 式