基于模式识别的动态过程质量监控与诊断

Because the complex dynamic process is difficult to establish a precise process model or the use of statistical quality control technique for on-line quality diagnosis, this project researches quality control and diagnosis method for dynamic process based on pattern recognition.Firstly,according to the off-line measurement data, the quality anomaly patterns for dynamic process are determined by analyzing the quality abnormal information. Secondly, the wavelet transformation algorithm for the quality abnormal pattern is researched, and the adaptive feature extraction algorithm is designed based on the algorithm, which is the key problem how to improve the accuracy of the feature extraction algorithm and reduce the characteristic dimensions. Further, for the extractive features in different anomaly patterns, the more than one classifiers are designed based on the anomaly detection methods by wavelet transformaton, which are the wavelet transformation is combinationed with the nearest neighbor and neural network as well as support vector machine. The adaptive feature classification algorithm is set up.Finally, by means of the matching degrees of various quality abnormal patterns and the trained child classifiers, the dynamic process quality diagnosis criteria are determined for on-line quality control. This project results not only provide on-line quality monitoring and fault diagnosis techniques for the automation manufacturing processes or the product lines in oil and chemical industries, but also lay the theoretical foundation on real-time quality monitoring and analysis for dynamic processed in other industry.

本项目针对复杂动态过程难以建立精确的过程模型和采用统计质量控制技术进行实时质量诊断的局限性，研究基于模式识别的动态过程质量监控与诊断方法。首先，将根据动态过程的离线测量数据确定动态数据流的质量异常模式；其次，开展适用于分析质量异常模式的小波变换算法研究，并基于该算法设计出自适应特征提取算法，其中要解决的关键问题是如何提高特征提取算法精度并降低特征维数；进而针对不同异常模式的特征，基于小波变换的异常检测方法，设计小波变换与最近邻分类器、神经网络、支持向量机相结合的多个子分类器，建立自适应特征分类算法。最后，在综合分析子分类器对各种质量异常模式的识别结果的基础上，确定动态过程的质量诊断准则，提供动态过程实时质量监控与诊断方法。本项目的研究结果不仅为石油、化工等过程工业和卷烟生产过程等自动化制造过程提供实时质量监控与故障诊断技术，而且为其他行业的动态过程提供在线质量监控的理论依据和分析途径。

本项目针对难以建立精确过程模型或利用统计质量控制技术无法进行实时质量诊断的复杂动态过程，系统地研究了基于模式识别的实时质量监控与诊断方法。首先，依据离线收集动态过程测量数据流的变化特性，将动态数据流呈现出的正常、周期、阶跃等六种模式界定为动态过程质量模式。其次，针对如何提高特征提取算法精度并降低特征维数，分别应用小波变换、主成分分析等方法研究了动态过程质量模式的特征提取算法。而后，在特征提取算法的研究基础上，设计了人工神经网络与支持向量机相结合的多类别分类器，建立了动态过程在线智能监控模型。最后，将在线监控模型与基于规则的专家知识库相结合，利用过程质量异常模式的类别及关键参数与诊断规则的匹配实现动态过程实时质量监控与诊断，形成了动态过程在线智能诊断框架。项目研究发现将小波变换特征提取方法与形状特征提取、主成分分析特征提取方法相结合，提取出的数据特征不仅数据维度低且细节信息强，有效解决了单独应用小波变换进行特征提取随分解层数的增加细节信息缺失严重的问题。另外，通过提取合适的数据特征将神经网络与支持向量机两种不同类型的分类器进行结合大大降低了动态过程质量模式识别模型构建的复杂度，提升了在线智能监控的效率。本项目的研究成果已成功应用于卷烟、精密轴自动化生产过程实时质量智能监控与诊断，所提的监控模型与诊断框架也将为石油、化工等过程工业，股市、期货等金融市场的动态过程提供在线监控的理论依据和分析途径。