基于数据的大规模流程工业过程分布式过程监测研究

Modern processes are usually characterized by large-scale, multiple operation units and complex interactions, and it is difficult to apply traditional process monitoring and fault diagnosis methods for these processes due to these characteristics. Focusing on the fault detection and fault diagnosis issue for large-scale processes, this project aims to establish a data-based distributed process monitoring scheme, which can reduce the complexity of monitoring model and increase the reliability and robustness. First, the necessity and feasibility of distributed monitoring will be analyzed theoretically; the detectability of a fault in distributed monitoring will be discussed and a unified distributed monitoring framework will be established. Second, within this framework, several researches will be conducted: To achieve optimal process decomposition, a data-based performance driven process decomposition method will be developed; To deal with various process characteristics such as nonlinearity, non-Gaussianity and dynamics, optimal local monitor design will be discussed; To address the fault diagnosis issue, a Bayesian fault diagnosis system will be established. This study will provide new insights and effective process monitoring and fault diagnosis methods for the large-scale processes.

现代流程工业生产过程多具有系统规模大，操作单元多，变量关联强等特点，这些特点给大规模工业过程的过程监测造成很大困难。本课题针对大规模流程工业过程的故障检测和故障诊断问题，研究基于数据的分布式过程监测方法，一方面降低监测模型的复杂度，另一方面增强监测的可靠性与鲁棒性。首先，从理论上分析分布式过程监测的必要性与可行性，研究分布式过程监测中故障的可检测性，并在此基础上建立分布式过程监测的统一框架。其次，在该框架内，针对大规模过程的子系统划分问题，研究基于监测性能最优的子系统划分方法；针对子系统可能存在的非线性、非高斯性、动态性等特点，研究基于数据的最优局部监测器设计方法；针对大规模过程的故障诊断问题，研究基于贝叶斯方法的故障诊断系统。本课题的研究将为大规模复杂工业过程提供有效的过程监测和健康诊断方法，保障过程系统安全运行，同时结合典型的工业过程，实现理论和方法的应用推广。

流程工业在我国制造业中占有重要地位，是“智能制造”的先行领域和绿色发展的主战场。然而，我国流程工业生产过程安全性以及总体运行效率与国际先进水平仍有差距，一个重要原因就是缺乏支撑生产过程安全、高效运行的过程监测与故障诊断技术。.项目针对复杂厂级工业过程运行状态监测与故障诊断的关键难点，系统分析过程复杂特性与数据特征，构建面向复杂过程的数据驱动过程监测与故障诊断基础理论框架，取得若干原创性的成果，主要包括：（1）针对厂级多单元复杂耦合过程，克服了数据高维且复杂相关难点，提出了基于邻域信息交流的分布式建模与监测方法；（2）针对非线性过程，克服了数据非线性且复杂相关难点，提出了基于优化相关特征学习的非线性过程监测与诊断方法；（3）针对复杂间歇过程，克服了过程非稳态运行、数据二维复杂相关等难点，提出了基于改进相关特征学习的间歇过程质量指标建模与状态监测方法。通过集成和融合，形成工业大数据环境下面向复杂厂级流程工业过程在线监测与故障诊断的基础理论与应用方法体系，为一类复杂厂级过程提供有效的特征提取与融合、关键性能指标建模、状态监测、以及故障溯源诊断理论和方法，有效支撑流程工业过程安全、优质、高效运行。.相关研究成果发表SCI期刊论文20余篇，其中ESI高被引论文2篇，IEEE汇刊论文10篇（包括IEEE TNNLS、IEEE TIE、IEEE TII等中科院一区论文6篇），累计SCI他引200余次；发表中文核心期刊《自动化学报》论文1篇，会议论文4篇，申请国家发明专利1项。研究成果得到了上百位国内外知名学者的正面引用与积极评价。部分研究成果应用于钢铁、石化等典型实际生产过程，通过保障过程安全，提升产品质量与过程运行效率为企业创造了显著的经济与社会价值。