【复杂工业过程状态监测的研究的国内外文献综述】5000字_第1页
【复杂工业过程状态监测的研究的国内外文献综述】5000字_第2页
【复杂工业过程状态监测的研究的国内外文献综述】5000字_第3页
【复杂工业过程状态监测的研究的国内外文献综述】5000字_第4页
【复杂工业过程状态监测的研究的国内外文献综述】5000字_第5页
已阅读5页,还剩4页未读, 继续免费阅读

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

复杂工业过程状态监测的研究的国内外文献综述目录TOC\o"1-3"\h\u7338复杂工业过程状态监测的研究的国内外文献综述 179751.1过程状态监测及故障诊断的关键问题描述 1171071.2过程状态监测的国内外研究现状 232212参考文献 8随着人工智能、大数据和物联网等新型信息化技术的迅速发展,复杂工业过程监测与故障诊断领域的新方法和新理论不断被提出,发表在国际高水平学术期刊和国际性高水平会议的论文逐年递增,取得了丰富的研究成果,受到了电气电子工程学会IEEE、国际自动控制联合会IFAC以及中国自动化学会CAC的广泛关注,使得复杂工业过程监测与故障诊断技术成为国内外过程控制领域的热点研究方向[11]。接下来,本节将对复杂工业过程状态监测及故障诊断的关键问题进行描述,重点介绍复杂工业过程状态监测的国内外研究现状。1.1过程状态监测及故障诊断的关键问题描述虽然目前过程监测和故障诊断领域已经建立起了相对完善的理论体系,但各个领域都有其自身的特点,导致各个领域对工业控制过程各个环节的目的虽然相同,但是名称不尽相同。因此,在这里本文将给出统一的定义和说明。(1) 故障故障即生产过程中一个过程变量或者多个过程变量发生了不正确的变化,导致整个系统出现不稳定的情况。故障的来源有很多,在实际工业过程中,操作人员的操作不当、传感器故障、工业运行设备老化、催化剂的性质变化和系统参数变化等都可能引发故障[12]。(2) 过程监测过程监测是对系统的状态进行实时监测,及时判断工业过程是否发生了异常,以帮助过程操作人员和管理人员第一时间了解工业过程运行状态。在过程监测后,对检测到的故障数据,需要了解故障的类型和引发故障的根源变量,这是故障诊断的任务。在这里,故障诊断分为两步,即故障识别和故障分离。(3) 故障诊断故障诊断即对发生故障的过程数据进行分析,包括对故障类型的识别和对引发故障的根源变量进行溯源。故障识别是对检测到的故障类型进行识别,判断出故障的类型。故障分离是对检测到的故障分离出引发故障的变量。根据上述定义,本文将复杂工业过程监测与故障诊断分为三个步骤:过程监测、故障识别和故障分离,图1-2给出了工业过程监测与故障诊断实施步骤。图1-2过程监测与故障诊断的一般步骤1.2过程状态监测的国内外研究现状过程状态监测方法最早于20世纪70年代被提出并发展至今,是一门目的明确、多学科交叉和应用领域广泛的学科,目前过程监测研究方法大致可以分为三大类:基于解析模型的方法、基于知识的方法和基于数据驱动的方法[13]。其中,基于数据驱动的方法应用最为广泛,也是近几年来研究的热门领域。过程监测方法的具体分类如下图1-3所示,下面本文对每一类方法进行简要综述。图1-3过程状态监测方法的分类(1) 基于解析模型的方法该方法需要过程的内在机理机构较为明确,从而能够建立起精确的数学解析模型。基于解析模型方法的示意图如图1-4所示,这类方法主要包括状态估计、观测器和参数估计等方法,其鲁棒性较强,但是在实际的工业过程中,一般难以建立较为精确的数学模型[14]。图1-4基于解析模型方法的示意图(2) 基于知识的方法基于知识的过程监测方法使用定性的模型来对过程数据运行的状态进行评判,它主要依靠专家知识或者历史经验,从而形成一种事件和关系或者规则的组合,进而形成人机接口、知识库、数据库和推理机组成的专家系统。这类方法适用于不能或者难以获取详细数学模型的情况,因此曾成为研究的热点[15]。然而,由于其对知识的依赖性较强,导致该方法通用性较差。(3) 基于数据驱动的方法基于数据驱动的方法主要包括基于信号处理的方法、基于机器学习的方法和基于统计分析的方法。其中,基于统计分析的方法应用案例和研究论文最为热门,因此下面本文将对该方法进行重点说明,对其余两种方法进行简单介绍。基于信号处理的方法是对信号的时域和频域特征进行提取,从而确定过程的运行状态。小波分析是一种常见的信号处理方法,它是一种具有多分辨率多分析特性的时间-尺度分析处理方法,即通过伸缩变换和平移变换对信号进行多尺度处理,从而能够迅速分辨出信号在某时刻的瞬时特征,进而有效应用于对过程数据的监测[16]。基于机器学习的方法是利用系统在正常和各种故障情况下的历史数据进行训练建模,对当前采集的样本进行分类来实现故障检测和诊断[17]。基于机器学习的方法以正确率为目标极大的提高了过程监测的可靠性,但其适用于样本量充足的系统,对那些无法获取大量故障数据的工业过程难以得到令人满意的效果。基于统计分析的方法分为单变量统计过程监测方法和多元统计过程监测方法。当过程变量发生异常时,变量的各种统计量也将会发生变化。因此,基于统计的方法主要原理是依靠过程数据的统计量如方差、标准差等分析过程数据的变化特征以达到监测的目的。单变量统计过程监测方法早期发展于美国Bell实验室所提出的Shewhart控制图,后续一些研究学者陆续提出了多种单变量统计过程方法,如测量变量的滑动平均控制图、测量变量的指数加权滑动平均控制图等。门限法是单变量统计方法的重要方法之一,其示意图如图1-5所示。门限法认为过程变量只能在一定或者说是可接受范围内波动,否则认为是故障点(UCL为控制上限、LCL为控制下限)。由于复杂工业过程中往往存在较多的测量变量,各个测量变量之间可能存在相关性,通过单变量统计方法进行过程监测,其结果通常不太可靠。图1-5门限法示意图MSPM在工业控制过程监测领域取得了广泛的应用,其方法的核心是将正常工况数据进行多元投影,将多变量样本空间投影至低维特征空间,包括投影子空间和残差子空间,并由此建立过程状态监测模型,通过过程监测统计量来判断过程数据是否发生故障。常用的过程监测统计量有投影空间中T2统计量和残差子空间中SPE图1-6过程监测统计量示意图相比于单变量统计方法,MSPM方法除了关注于各个变量的质量外,更强调过程变量在过程监测中所起到的作用,该方法能够提取过程的本质特征。常见的MSPM方法包括主成分分析(Principalcomponentanalysis,PCA)、核主成分分析(KernelPCA,KPCA)和稀疏主成分分析(SparsePCA,SPCA)等方法[18]。由于主成分分析方法计算简单,可以直接通过数据的协方差矩阵计算得到,因此得到了广泛应用。此外,尽管MSPM方法已广泛应用于各工业过程的监测领域,但是其监测结果高度依赖于数据准确性。实际工业过程因为噪声干扰或者传感器测量问题,会出现数据测量不准确的现象[10]。因此,如果给定的数据是区间数,传统的主成分分析显得力不从心。为解决这一问题,许多学者以区间数形式对传感器测量的不确定性进行表示,并对区间数的主成分分析方法进行了探究,现有的区间PCA方法主要有以下几种:顶点法、中点法和中点半径法。(1) 顶点法(V-PCA)顶点法首先把样本区间矩阵分为n个p维的区间向量,然后从几何角度出发,把每个区间向量看成具有2p个顶点(p为变量个数)的超矩阵,再将每个超矩阵表示为一个2p×p维的实值矩阵,即可将某一样本区间向量转化为一个维数为(n∙2p(2) 中点法(C-PCA)中点法用每一个区间数的中点来替换原始的区间数,即可将样本区间矩阵转化为实值中点矩阵。最后,对中点矩阵进行传统的主成分分析。该方法确实改善了顶点法计算量大的缺陷,但是对于非均匀分布的数据,只选取区间内的一个点进行分析会造成信息的缺失,从而导致分析结果的准确性不高。(3) 中点半径法(MR-PCA)中点半径法将区间矩阵Xij=Cij−针对上述三种方法的缺陷,研究学者们提出了新的解决办法。文献[19]针对传统主成分分析法的缺点和应用当中可能出现的误区,总结了几种常用的主成分分析的改进方法。首先,作者介绍了传统主成分分析评价模型的算法。紧接着,提出了几种简单的对原始数据进行处理的方法。最后,提出了一种“对数——线性比”的主成分分析方法,并对众多的改进方法进行综合评价。因此,该文献给之后的研究提供了许多思路。文献[20]发现在对数据进行测量时,由于实验误差不能得到精确值,致使每一个实验结果都具有一定的误差范围。在该文献中,作者把实验结果看成由测量值和误差值构成的区间数,先求出测量值的主成分,再通过误差传递公式,求出误差值的极限误差。最后,对二者进行组合,形成区间主成分。通过实例验证,文献[20]所提出的方法与传统的主成分分析方法相比,确实更好地把握了样本的属性,但该方法由于未考虑各个测量变量之间的相关关系,致使分析结果不具有说服性。文献[21]在顶点法和中点法的基础上,进行了合理化的改进,并对改进后的两种方法的协方差矩阵进行了研究,发现它们之间具有极大的相似性。然后,定义了一个评价各方法好坏的效度指标。通过随机模拟实验的方法,对改进后的方法进行研究。然而,该文献是在顶点法和中点法的基础上进行改进的,都是把区间数转化为点数据进行分析,并未考虑区间内部的情况。文献[22]首先对服从均匀分布的区间数据的经验描述统计量做了研究,然后基于经验相关矩阵,对区间数进行区间主成分分析。最后,通过一定的运算,得到区间主成分。该算法的结果与顶点法和中点法的结果相似,并克服了这两种方法的缺点。然而,该方法假设区间内部服从均匀分布,但现实情况并非如此,因此在应用过程中会导致最终的分析结果不准确。文献[23]针对现有区间PCA——顶点法和中点法的缺陷,提出了两种区间主成分分析方法,即基于经验统计量的主成分分析法和基于区间矩阵运算的主成分分析法。第一种算法将区间变量看成是服从均匀分布的二元变量,基于二元变量的经验描述统计量进行分析,但面对非均匀分布的区间数而言,该方法的准确性不高。在第二种算法中,作者采用Deif法对相关系数矩阵求特征值和特征向量,而Deif法因为要求区间特征向量的分量保持符号不变,很难验证其条件,且计算量太大,并不是一个完美的求特征值和特征向量的计算方法。文献[24]介绍了用于故障检测与隔离(FaultDetectionandIsolation,FDI)的三种不同的区间PCA方法:V-PCA、C-PCA和MR-PCA,并在数值仿真过程中对以上三种区间主成分分析方法的故障检测能力进行了比较研究。实验表明以上三种区间PCA方法的性能差异主要体现在故障检测阶段:V-PCA故障检测的能力较弱,只能检测到较高幅值的故障;C-PCA在故障检测过程中有些过度敏感,但它的监测能力相对较好;而MR-PCA在故障检测方面表现最佳。结合以上文献可以看出,近年来,针对符号数据,尤其是区间型符号数据的研究掀起了一股热潮,众多学者在研究的道路上取得了丰硕的成果,但目前的研究尚存在一些缺陷,因此在未来十分有必要对其进行更加深入的研究,并将研究成果应用于复杂工业过程的过程监测与故障诊断。参考文献柴天佑.工业过程控制系统研究现状与发展方向[J].中国科学:信息科学,2016,46(8):1003-1015.黄群慧,贺俊.中国制造业的核心能力、功能定位与发展战略——兼评《中国制造2025》[J].中国工业经济,2015,327(6):5-17.KhanS,YairiT.Areviewontheapplicationofdeeplearninginsystemhealthmanagement[J].MechanicalSystems&SignalProcessing,2018,107(1):241-265.刘强,卓洁,郎自强.数据驱动的工业过程运行监测与自优化研究展望[J].自动化学报,2018,44(11):26-38.张坤鹏,姜斌,陈复扬.基于时变模型辨识的高度列车复合故障诊断[J].控制与决策,2019,34(02):53-57.JacksonJ.E.AUser’sGuidetoPrincipalComponents[M].Wiley:NewYork,1991.HyvärinenA.,OjaE.Independentcomponentanalysis:algorithmsandapplications[J].NeuralNetworks.2000,13(4-5),411-430.姜庆超.基于信息富集与特征选择的多元统计化工过程监测研究[D].华东理工大学,2015.彭开香,马亮,张凯.复杂工业过程质量相关的故障检测与诊断技术综述[J].自动化学报,2017,43(3):349-365.ApleyDW,KimJ.CautiousControlofIndustrialProcessVariabilityWithUncertainInputandDisturbanceModelParameters[J].Technometrics,2004,46(2):188-199.HounmenouCG,GneyouKE,KakaRG.AnExtensionoftheQuadraticErrorFunctionforLearningImpreciseDatainMultivariateNonlinearRegression[J].JournalofProbability&Stats,2020,2020(3):1-9.王杰.数据驱动的复杂工业过程监测与故障诊断[D].湖南师范大学,2020.TanR,CongT,ThornhillNF,etal.StatisticalMonitoringofProcesseswithMultipleOperatingModes[J].IFAC-PapersOnline,2019,52(1):635-642.丁进良,杨翠娥,陈远东.复杂工业过程智能优化决策系统的现状与展望[J].自动

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论