复杂非线性过程潜在初始故障的监测方法研究

Kernel partial least squares(KPLS) is the traditional method for nonlinear process.Contrast to kernel principal component analysis(KPCA), KPLS based method can monitor abnomalities induced both by process operation variables and quality variables. However, the traditional KPLS based method may not detect underlying faults nor incipient changes in the variable covariance structure. To overcome these deficiencies, the stitistical local approach(SLA) is incorporated into the KPLS based monitoring framework, and a new modified KPLS based method is proposed. Most real industrial processes are multipl Gaussian distribution and time-varying, which will reduce the accuracy of the model built by SLA. Gaussian mixture model(GMM) is adopted to tackle the process with multiple Gaussian distribution. GMM is established with the projected data in the partitioned principle component subspace. The dynamic nonlinear process monitoring is discussed in this project too. A new recursive KPLS(RKPLS) is proposed to monitor the dynamic nonlinear process, by computing recursively the eigenvalues and eigenvectors in the kernel space. The traditional nonlinear process monitoring method is improved and the accuracy and sensitivity are enhanced through the above work, which also provide more guides in theory and approach for applying of monitoring techniques in real process.

核偏最小二乘（KPLS）是非线性过程监测的传统方法，与核主元分析（KPCA）方法相比，不仅考虑了过程操作变量也同时考虑了质量变量所发生的异常对过程状态的影响。但当过程出现潜在的初始故障及由于协方差结构发生变化而导致的过程异常时，KPLS可能失效。针对这个问题，本项目拟将统计局部方法（SLA）融入到KPLS监测的框架中，提出一种新的基于改进的KPLS的过程监测方法。然而，实际的流程工业过程还具有多分布、动态特性等特点，会导致由SLA技术所建立的模型准确性降低。针对多分布的情况，拟采用高斯混合模型（GMM）对数据进行分类，在子数据集上建立监测模型；针对具有动态特性的过程，借助递归的思想，提出一种新的基于递归核偏最小二乘（RKPLS）的动态非线性过程监测方法。通过以上的深入研究，可以改进和完善传统的非线性过程监测算法，提高监测模型的准确性和灵敏度，为监测技术的实际应用提供更多理论和方法上的指导。

实际的工业过程本质上都是非线性的，因此，对于非线性过程的故障检测方法研究更具有现实意义，也一直是故障监控领域的研究重点。然而，基于数据驱动的方法由于没有过程机理知识的指导，当过程出现潜在的初始故障及由于协方差结构发生变化而导致的过程异常时，核偏最小二乘（KPLS）或者核主元分析（KPCA）等传统方法可能失效。如何及时和准确的监测到非线性系统过程的上述微小异常，以防止微小故障的积累与传播造成严重的生产事故，是一个重要而又困难的课题。结合复杂非线性过程的数据特点，项目的研究内容主要包括：（1）统计局部技术（SLA）是对初始故障有效的建模方法，针对传统KPLS无法与SLA融合的问题，首先对传统KPLS算法做了两种不同的改进，找到符合SLA要求的初始向量函数，并构建了新的检测统计量，提出了基于SLA和改进KPLS的非线性过程的初始故障检测方法，有效解决了非线性系统的初始故障检测问题。（2）针对非线性系统具有动态特性的问题，采用即时学习的局部建模策略，提出了一种基于JITL与核独立元分析的间歇过程在线监控方法，有效提高了在线监控的实时性。（3）针对非线性系统数据具有多分布的情况，利用高斯混合模型对数据进行预分类，在由最优高斯成分决定的子空间中分别应用改进的KPLS对数据进行特征提取，融合SLA技术，提出基于GMM和改进KPLS的故障检测方法。本项目的研究成果丰富了基于数据驱动的非线性过程的故障检测理论体系，在通用仿真平台的应用结果证明了所提出的新的建模方法的有效性，为实际的工程应用提供了更多可能的方法参考。