第1章绪论
1.1引言
随着工业现代化水平的不断提高，产业结构的不断优化，我国经济实现了持续稳步增长。国家统计局公布的2011年主要宏观经济数据显示，2011年规模以上工业生产增加值增速为13.9%，工业生产平稳增长，企业效益大幅提高。作为国民经济的支柱产业，冶金、电力、化工等流程工业为经济的发展做出了巨大的贡献。因此，如何进一步降低生产成本，提高经济效益进而全面提升流程工业企业的综合竞争力，是关系到我国经济能否持续高速发展的关键。受到全球竞争和市场经济的影响，流程工业过程逐渐形成了以计算机技术为基础，结合现代管理技术、制造技术、信息技术、自动化技术、系统工程技术的计算机集成制造系统(Computer Integrated Manufacturing Systems, CIMS)。在实际工业过程中就表现为，流程工业生产朝着大型化、自动化的方向发展，生产单元之间的联系进一步加强。流程工业主要通过提高产品产量和质量、提高原料利用率和生产效率、降低能耗、减少污染来增加经济效益。但是，流程工业的生产环境往往比较苟刻，通常是高温高压或低温真空等极端条件，生产过程同时包含了复杂的物理、化学过程，以及各种突变干扰和不确定性因素，因此系统往往非常复杂。系统的高关联性和生产过程的复杂特性，使得单个过程变量的微小故障都可能在整个生产系统中传播，进而导致其他信号发生更大的振荡。故障的传播与放大可能会引起整个生产装置的全面故障，使生产无法顺利进行，严重时会发生设备损毁的情况，甚至发生失火、爆炸等恶性事件。另外，某些生产变量的故障或是工艺参数的微小偏差可能不会影响生产过程的安全性、连续性，但若任凭这类微小故障发生而不及时处理，故障的累积效应以及参数长期偏离系统设定的优化值都会影响最终产品的生产质量，同时增加生产消耗。这种情形下里然生产能够顺利进行，但企业的生产目标无法达成，成本的增加也会对企业综合竞争力的提高产生巨大影响。对于流程工业来说只有实现了安全、稳定的运行，才能获得最大的经济效益。保证生产过程安全无故障就成为了流程工业的首要任务。如何提高工业过程中的安全性，增加系统的可靠性，杜绝重大事故的发生，减少故障对生产过程的影响成为了一个至关重要的问题。因此，研究运用先进的工业过程状态监控技术，对过程实际运行状态进行监控，及时检测过程故障是否发生并及早报警，同时对导致警报的过程变量进行识别和定位具有重要的理论意义和工程应用价值。过程监控已经成为近年来自动控制领域中的一个研究热点，并受到了广大学者、工程技术人员的日益关注…
1.2过程监控概述
经过近年来的发展，过程监控领域已经形成了一些被广泛接受的概念设定，并取得了许多行之有效的符合实际需求的过程监控方法，这些系统的理论研究工作和相关的技术应用幵发也为工业企业采用先进的过程监控技术提供了科学支撑。在对本文的研究工作展开介绍之前有必要对过程监控领域涉及的主要研究内容及一些概念进行总结，并通过对现有的过程监控方法进行分类介绍来描述过程监控领域研究概况。
1.2.1过程监控研究内容
过程监控的目的是通过识别不正常的行为来确保过程能够成功地按照设定计划顺利运行下去。有效的过程监控通过不断对生产过程进行实时的定量或定性分析，在发现异常情况时及时发出警报，能够使系统操作人员和维护人员准确把握过程的实际运行状态，在故障发生时帮助他们做出正确的补救措施，从而消除过程的异常，防止更严重的灾难性事故发生。根据故障产生的原因，可以将故障进行如下分类：
(1)过程参数变化的故障：过程中的一些非正常现象引起的系统参数变化，比如催化剂中毒和热交换器结坂等可以引起此类故障；
(2)干扰参数变化的故障：比如过程进料流的浓度或者周围温度发生极端变化可以引起此类故障；
(3)执行器故障：执行器的设定目标和实际输出存在明显差别，比如阀门卡死可以引起此类故障；
(4)传感器故障：传感器测量值与过程真实值之间存在明显差异，表示过程变量的测量值有偏差。
第2章基于统计量核主元分析的非线性过程故障检测方法
2.1研究背景与动机
面对过程中的非线性问题，最常用的就是基于核学习的方法。其中核主元分析方法(Kernel Principal Component Analysis, KPCA)作为传统 PCA 方法的非线性扩展，受到了广泛的关注。与PCA方法不同的是，KPCA方法在经过非线性映射得到的高维核空间中进行特征值分解，但在监控指标方面KPCA同样是通过Hotelling’s T2统计量和SPE统计量进行故障检测。近年来关于KPCA方法的理论研究成果不断出现比如Lee等在系统的分析了 KPCA方法的监控过程，对其如何利用非线性映射处理过程变量间的非线性关系，如何在核空间进行特征值求解从而避免非线性优化问题进行了详细的说明。由于KPCA方法核空间的维度与历史数据集的建模样本个数有关，在样本个数较多时KPCA方法计算负担较重。针对这一问题，Cui等[1531利用特征向量选取方法(Feature Vector Selection, FVS)有效的降低了 KPCA方法的计算复杂度，并进一步将其与FDA相结合提高了算法最终的故障检测性能。通过对比可以发现，虽然KPCA方法通过核映射能够化解变量间的非线性关系，但这些基于KPCA的改进算法仍然是对数据矩阵的协方差矩阵进行分解，利用的仅仅是数据中包含的低阶信息。从这方面来说，对数据信息提取的不充分，无法提取高阶统计量中包含的有用数据信息，在一定程度上限制了 KPCA方法的故障检测性能统计量模式分析（Statistics Pattern Analysis，SPA)最早由He等提出其数据变换方式不涉及具体的特征分析，类似一种数据映射关系。其基本思路是在原始数据空间中对不同阶次的统计量进行计算计算，然后用样本的统计量代表当前样本，不直接对原始样本进行分析，而是对它们的统计量进行分析。He等最早提出统计量模式分析结构的概念，并将其应用在间歇过程中取得了较好的结果，证明了通过对样本统计量进行分析比直接对样本进行分析更能够有效的提取过程信息。Wang等利用移动窗口技术将SPA方法应用在了连续过程中，证明了 SPA比传统的PCA方法故障检测能力更强，能够更准确的描述过程的运行状态，在过程发生异常时能够更加敏锐的捕捉这种变化。但需要注意的是这种数据变换方式并无法改变过程变量间的非线性关系，相同变量不同阶次的统计量之间反而会引入一些新的非线性关系，这些统计量之间存在着以原始变量为隐变量的非线性关系。因此Wang等在连续过程中应用的SPA方法面对非线性过程时很难取得理想的监控给结果。
第3章基于距离空间统计量分析的.........40
3. 1研究动机......... 40
3.2多模态数据空间分布特性分析......... 40
3.3距离空间统计量分析方法.........43
3.4基于DSSA方法的在线故障检测......... 46
3.5 TE过程仿真应用研究 .........47
第4章基于局部邻域标准化策略的多模态过.........57
4. 1研究动机......... 57
4.2多模态数据对数据预处理方法......... 58
4.3局部邻域标准化策略(LNS)......... 61
4.4局部邻域标准化策略性能分析......... 62
第5章基于马氏距离局部离群因子.............84
5. 1研究动机......... 84
5.2局部离群因子方法......... 85
5.3基于马氏距离的局部离群因子方法......... 86
5.4基于MDLOF方法的在线故障检测......... 88
结论
随着工业过程自动化水平的不断提高，各种智能仪表、自动控制元件以及集成化程度高的现场控制系统在实际工业生产过程中得到了大量应用。同时，大量的过程数据被存储下来，这些数据如实的反应了过程的运行情况，如何对过程历史数据进行信息挖掘，利用这笔宝贵的财富对生产过程进行指导，进而提高企业经济效益受到了广泛的关注。因此，以过程历史数据建模，提取过程正常运行状态下的统计规律，从而对后续生产过程进行监控的方法发展非常迅速，这类基于数据驱动的统计监控方法成为了过程监控领域中的一个研究热点。本文在前人的研究基础上，针对实际工业过程中存在的诸如非线性问题、多模态问题、过程数据复杂分布的问题展开研究工作，重点研究如何提高基于数据驱动的统计监控方法在故障检测方面的性能。在对过程数据的空间分布特征以及正常样本和故障样本之间的差异性进行比较分析的基础上，对传统MSPM方法进行改进，并提出新的故障检测策略与方法。具体的研究内容如下：
(1)在解决过程中的非线性问题方面，传统KPCA方法仅仅利用数据中包含的低阶信息。无法利用过程数据高阶统计量中包含的有用信息，对数据信息提取的不充分。为了提高KPCA方法在非线性过程中的故障检测性能，提出在一种统计量核主元分析方法。通过将统计量分析方法与传统KPCA方法结合，在将过程数据从原始数据空间映射到高维核空间之前进行一次从原始数据空间到统计量样本空间的映射，构造统计量样本空间的过程中将原始数据的高阶统计信息包含在内，从而提高传统KPCA方法对过程信息的利用程度，得到更好的非线性过程监控效果。
(2)在解决过程中的多模态问题方面，主流的解决方案是采用多模型策略。本文从分析正常数据与故障数据之间的多元空间分布特性的角度出发，对正常数据与故障数据彼此之间的距离关系进行比较，在构建的距离空间中进行统计量分析提取高阶统计信息，最终形成一种基于距离空间统计量分析的多模态过程故障检测方法。
(3)针对多模态问题，对建立监控模型之前的数据预处理方法展开研究。在对多模态数据的特征进行分析的基础上，通过分析多模态数据在传统z-score方法进行预处理前后的表现，挖掘z-score方法在预处理过程中无法解决数据多分布特征的问题。提出一种新的局部邻域标准化策略，在数据预处理的阶段对数据进行均值中心化的同时实现对数据多模态特征的化解，从而使得传统的PCA、PLS方法能够直接应用于多模态过程中。仿真实验证明PCA方法与局部邻域标准化策略结合之后，具备了在多模态过程中进行有效监控的能力。
(4)复杂工业过程不仅仅存在运行模态发生切换的现象，同一运行模态下的过程数据具体分布情况也具有不确定性。针对过程的多模态以及数据复杂分布的问题，提出一种运用样本局部离群因子作为监控统计量的故障检测方法。在计算局部离群因子的过程中，新的马氏距离局部离群因子方法通过引入马氏距离来对变量的局部结构加以考虑，提高了数据包含信息的利用程度。该方法运用的是基于局部密度的统计量作为监控指标，因此对于过程数据的分布情况没有依赖性，能够在过程数据分布情况不确定时仍然拥有良好的故障检测能力。仿真结果证明该方法比传统PCA方法以及标准局部离群因子方法的故障检测效果更好。
(5)进一步深入研究局部离群因子方法在多模态过程中应用时存在的问题，结合局部邻域标准化策略与局部离群因子方法提出一种新的邻域标准化局部离群因子方法。运用一种新的加权欧式距离来完成样本和其邻居局部可达距离的计算，使得局部离群因子方法在应用过程中的参数选择方面不再受到过程变量个数的影响。为了实现对故障变量的定位，提出样本局部离群因子进行变量贡献度分解的方法。通过仿真实验验证了邻域标准化局部离群因子方法在具有良好故障检测性能的同时，算法的计算复杂度较低，同时最终的监控统计量具有了对不同变量的可解释性，能够进行贡献度分解，实现对故障变量的定位。
参考文献
[1] Qin S. J. Statistical process monitoring: basics http://sblunwen.com/gygclw/ and beyond [J]. Journal ofChemometrics. 2003, 17(8-9): 480-502.
[2] 李哈，萧德云.基于数据驱动的故障诊断方法综述[J].控制与决策.2011，26(1):1-9.
[3] Chiang L. H., Russell E., Braatz R. D. Fault detection and diagnosis in industrialsystems [M]. London: Springer, 2001.
[4] Kesavan P., Lee J. H. Diagnostic tools for multivariable model-based control systems[J]. Industrial & Engineering Chemistry Research. 1997，36(7): 2725-2738.
[5] Raich A., (jinar A. Statistical process monitoring and disturbance diagnosis inmultivariable continuous processes [J]. AIChE Journal. 1996, 42(4): 995-1009.
[6] 周东华，叶银忠.现代故障诊断与容错控制[M].北京：清华大学出版社,2000.
[7] Isermann R. Model base fault detection and diagnosis methods [C]. In: Proceedings ofthe American Control Conference, 1995, 3: 1605-1609.
[8] Frank P. M. Fault diagnosis in dynamic systems using analytical and knowledge-basedredundancy- a survey and some new results [J]. Automatica. 1990, 26(3): 459-474.
[9] Venkatasubramanian V., Rengaswamy R.，Yin K., Kavuri S. N. A review of processfault detection and diagnosis: part i: quantitative model-based methods [J]. Computers& Chemical Engineering. 2003, 27(3): 293-311.
[10] Venkatasubramanian V., Rengaswamy R., Kavuri S. N. A review of process faultdetection and diagnosis part ii: qualitative models and search strategies [J]. Computers& Chemical Engineering. 2003, 27(3): 313-326.