（控制科學與工程專業(yè)論文）基于fdadpls方法的流程工業(yè)故障診斷研究.pdf

浙江大學博士學位論文 摘要 隨著現(xiàn)代流程工業(yè)不斷地向大型化、集成化方向發(fā)展，工業(yè)過程的復雜性不斷提高， 過程變量也越來越多，一旦發(fā)生故障，將會造成人員和財產(chǎn)的巨大損失，因此過程的故 障檢測和診斷已成為控制領(lǐng)域研究的重點之一。及時準確地檢測和診斷出過程的故障， 不僅可以減少事故、增加過程運行的安全性，而且可以降低生產(chǎn)管理成本，提高產(chǎn)品的 質(zhì)量?；跀?shù)據(jù)驅(qū)動的過程監(jiān)控方法由于僅依賴于易得的過程數(shù)據(jù)，刁i 依賴于精確的數(shù) 學模型，正受到越來越多的關(guān)注。 本論文以判別部分最小二乘( d i s c r i m i m m tp a r t i a ll e a s ts q u a r e s ，d p l s ) 和f i s h e r 判別式分析( f i s h e rd i s c r i m i n a n t a n a l y s i s ，f d a ) 為基礎(chǔ)，針對流程工業(yè)中兩種重要的 生產(chǎn)方式間歇生產(chǎn)過程和連續(xù)生產(chǎn)過程，提出了一類基于d p l s 和f d a 的故障診 斷方法，具體內(nèi)容如下： ( 1 ) 提出了一種基于m p c a - m d p l s 的間歇生產(chǎn)過程故障診斷方法。該方法主要 解決了一些故障診斷方法不具有識別新故障能力的不足。m p c a - m d p l s 方法根據(jù)正常 工況和已知故障的歷史數(shù)據(jù)，分別建立m p c a 和m d p l s 模型。其中，m p c a 模型用 于檢測過程是否有未知的新故障發(fā)生；m d p l s 模型則對經(jīng)m p c a 模型確定為己知故障 的故障作進步診斷。因此，m p c a - m d p l s 診斷方法不僅可以對已知故障進行診斷， 而且也可以識別出未知的新故障。通過對實際工業(yè)鏈霉素發(fā)酵生產(chǎn)過程的故障診斷仿真 表明此方法具有良好的故障診斷陛能。 ( 2 ) 提出了多模型f d a ( m u l t i m o d e l f i s h e r d i s c r i m i n a n t a n a l y s i s ，m m f d a ) 的 間歇生產(chǎn)過程故障診斷方法。對于間歇生產(chǎn)過程，只有當一個生產(chǎn)批次結(jié)束之后，才能 得到完整的歷史軌跡。因此，采用多向f d a 進行在線故障診斷時，必須估計未測量的 間歇過程的生產(chǎn)軌跡。目前采用的數(shù)據(jù)估計算法，因其估計值和實際值之間存在一定的 誤差，從而影響最終的診斷結(jié)果。多模型f d a 克服了未知值填充的問題，從而提高了 故障診斷的性能。通過對實際工業(yè)鏈霉素發(fā)酵過程的仿真，表明了多模型f d a 方法的 有效性。 ( 3 ) 提出了基于遞推多模型f d a ( r e c u r s i v em u l t i - m o d e lf i s h e r d i s c r i m i n a n t a n a l y s i s r m m f d a ) 的間歇生產(chǎn)過程故障診斷方法。多模型f d a 需要對每個時間片分 別建立f d a 模型，當故障數(shù)據(jù)缺乏時。會造成較高的誤診斷率。針對故障建模數(shù)據(jù)不 足的情況，提出了遞推多模型f d a 故障診斷方法。該方法不僅可以充分利用有限的故 i i 浙江大學博士學位論文 障數(shù)據(jù)資源，同時也考慮了過程的動態(tài)特性。通過工業(yè)鏈霉素發(fā)酵過程的仿真研究，驗 證了該方法的故障診斷性能比多模型f d a 和多向f d a 均有明顯的提高。 ( 4 ) 提出了基于改進多向f d a 故障診斷方法( i m p r o v e dm u l t i w a y f i s h e r d i s c r i m i n a n t a n a l y s i s ，i m f d a ) 。當對間歇生產(chǎn)過程進行故障診斷時，一般存在兩個問 題。一是在線批次數(shù)據(jù)不完整；二是由于生產(chǎn)材料的差異、生產(chǎn)設(shè)備老化、外部環(huán)境變 化等原因，間歇生產(chǎn)過程每個批次的生產(chǎn)周期一般不等。改進多回f d a 方法可同時解 決上述兩個問題。通過對青霉素發(fā)酵過程的仿真研究，結(jié)果表明了所提出方法的可行性 及有效性。 ( 5 ) 提出了基于i c a f d a 的故障診斷方法。該方法把獨立成分分析( i n d e p e n d e n t c o m p o n e n t a n a l y s i s ，i c a ) 方法和f d a 方法有機地結(jié)合起來，用于連續(xù)生產(chǎn)過程的故 障診斷。一個過程往往由少數(shù)不可測量的、獨立的關(guān)鍵變量所驅(qū)動，利用這些關(guān)鍵獨立 的變量更有利于提高故障診斷韻性能。i c a 用于提取少數(shù)不可測的、獨立的關(guān)鍵變量。 基于提取出的關(guān)鍵變量，建立連續(xù)過程的f d a 故障診斷模型。通過對t e 過程的仿真 實驗表明，與其它基于f d a 方法的故障診斷方法相比，i c a f d a 故障診斷方法明顯地 提高了故障診斷的性能。 最后，在總結(jié)全文的基礎(chǔ)上，提出了有待進一步研究的課題和今后工作的重點。 關(guān)鍵詞：f i s h e r 判別式分析：部分最小二乘；主元分析：故障診斷 浙江大學博士學位論立i i i a b s t r a c t w i t ht h ep r o g r e s so fm o d e mi n d u s t r i e si nl a r g e s c a l ea n di n t e g r a t i o n ，p r o c e s s e sh a v e b e c o m em o r ea n dm o r ec o m p l e xa n dc o n t a i nal a r g en u m b e ro fm e a s u r e dv a r i a b l e s o n c e f a u l t s o c c u r , t h e yw i l l m a k ec a s u a l t i e sa n ds i g n i f i c a n te c o n o m i cl o s s e s t h e r e f o r e ，t h e p r o c e s s i n gm o n i t o r i n gh a sb e e nb e c o m eo n eo ft h em o s ta c t i v er e s e a r c ha r e a si np r o c e s s c o n t r 0 1 i ff a u l t sc a nb ed e t e c t e da n dd i a g n o s e di nt i m e ，t h es a f e t yo fp r o c e s so p e r a t i o ni s i m p r o v e d ，p r o d u e f i v i t yl o s si sr e d u c e da n dp r o d u c tq u n i t yi se n h a n c e d s i n c e t h ed a t a - d r i v e n m e t h o d so f p r o c e s sm o n i t o r i n gr e l yo n l yo n t h eh i s t o r i cp r o c e s sd a t aa n dd on o ta s s u m ea n y f o r mo f m o d e l i n f o r m a t i o n ，t h e yh a v eb e e np a i dm o r e a t t e n t i o n i nt h i st h e s i s ，s o m en e wm e t h o d so ff a u l td i a g n o s i sf o rb a t c hp r o c e s s e sa n dc o n t i n u o u s p r o c e s s e s a r ep r o p o s e db a s e do nd i s c r i m i n a n tp a r t i a ll e a s ts q u a r e s ( d p l s ) a n df i s h e r d i s c r i m i n a n ta n a l y s i s ( f d a ) t h em a i nc o n t r i b u t i o n sa r ea sf o f l o w s ( 1 ) a n o v e lm e t h o d ，m p c a m d p l sa p p r o a c h ，i sp r e s e n t e dt od i a g n o s ef a u l t sf o rb a t c h p r o c e s s e si no r d e rt od e t e c tn e wf a u l t s b a s e do nd a t ac o l l e c t e df r o mt h ep l a n td u r i n gt h e n o r m a lo p e r a t i o na n ds p e c i f i cf a u l t s ，m p c am o d e la n dm d p l sm o d e la r er e s p e c t i v e l y c o n s t r u c t e d t h e r e f o r e m p c am o d e lc a nd e t e c tt h eu n k n o w nf a u l t s t h ek n o w nf a u l t s d e t e c t e db ym p c aa r ef l l r t h e r d i a g n o s e db ym d p l sm o d e l t h e r e f o r e ，m p c a m d p l s d i a g n o s i sm e t h o dn o to n l y c a nd i a g n o s et h ek n o w nf a u l t s ，b u ta l s oc a l lr e c o g n i z et h e u n k n o w nn e wf a u l t s t h em e t h o di sp r o v e dt ob ee f f e c t i v ea n df e a s i b l eb yt h ea p p l i c a t i o ni n d i a g n o s i n g o fa ni n d u s t r i a ls t r e p t o m y c i nf e r m e n t a t i o n p r o c e s s ( 2 ) a m u l t i - m o d e lf d am e t h o di sd e v e l o p e dt od i a g n o s i sf a u l t sf o rb a t c hp r o c e s s e s t h e c o m p l e t eb a t c hd a t aa r ec o l l e c t e dm x t i lt i l e e n do ft h eb a t c ho p e r a t i o ns ot f l a tt h ef u t u r e u n m e a s u r e dd a t am u s tb ee s t i m a t e df o rm f d ai nt e r m so fo n l i n ef a u l td i a g n o s i s a l t h o u g h ， m a n ym e t h o d sc a nb eu s e dt oe s t i m a t ea n df i l li nt h eu n m e a s u r e dd a t a ，t h ee s t i m a t e dv a l u e s m a yn o te x a c t l yf o l l o wt h ea c t u a ld y n a m i cp r o c e s sb e h a v i o ra n dt h e ym a yl e a dt o f a l s e d e t e c t i o na n dd i a g n o s i s t h ep r o p o s e dm e t h o dn o to n l ya v o i d se s t i m a t i n go rf i l l i n gu pt h e 1 j l l k n o w n p a r to f t h ep r o c e s s v a r i a b l et r a j e c t o r yd e v i a t i o n sf r o mt h ec u r r e n tt i m eu n t i lt h ee n d ， b u ta l s od i r e c t l yi d e n t i f i e st h ea s s i g n a b l ec a u s eo fp r o c e s sa b n o r m a l i t i e s 。t h e r e f o r e ，m o r e a c c u r a t ed e c i s i o n sa r em a d ev i am u l t i - m o d e lf d a f o ro n - l i n ef a u l td i a g n o s i s t h em e t h o di s 1 v 新江大學博士學位論文 p r o v e dt o b ee f f e c t i v eb yt h ea p p l i c a t i o nt o m o n i t o r i n ga n dd i a g n o s i n go fas t r e p t o m y c i n f e r m e n t a t i o n p r o c e s s ( 3 ) ar e c u r s i v e m u l t i - m o d e l f d a ( r m m f d a ) m e t h o di sr e p r e s e n t e d i no r d e rt o s u f f i c i e n t l yu t i l i z et h ef i n i t ei n f o r m a t i o no f f a u l t sa n de n h a n c et h ed i a g n o s t i cp e r f o r m a n c e i f t h e r ea r en o te n o u g hf a u l td a t ai nh i s t o r i c a ld a t a s e t s ，i tm a k e sh i g hm i s c l a s s i f i c a t i o nr a t e u s i n gm u l t i m o d e lf d a w h i c ham o d e li s b u i l do n l yb a s e do nat i m es l i c ea te a c ht i m e i n t e r n a l t h et r a i to f t h e p r o p o s e d m e t h o di st h a tt h e t r a i n i n gd a t as e t sa r em a d e o f t h ec u l t e n t m e a s u r e di n f o r m a t i o na n dt h ep a s tm a j o rd i s c r i m i n a n ti n f o r m a t i o n ，n o to n l yt h ec u r r e n t i n f o r m a t i o no rt h ew h o l eb a t c hd a t a a ni n d u s t r i a ls t r e p t o m y c i nf e r m e n t a t i o np r o c e s si su s e d t ot e s tt h ep e r f o r m a n c eo ff a u l td i a g n o s i so ft h ep r o p o s e dm e t h o d t h er e s u l t ss h o wt h a tt h e r m m f d am e t h o dc a nf u r t h e r i m p r o v e t h ed i a g n o s t i c p e r f o r m a n c e ( 4 ) a ni m p r o v e dm e t h o do ff a u l td i a g n o s i sn a m e da si m p r o v e dm f d a ( i m f d a ) i s p r o p o s e d b a t c hd a t ao f m e a s u r e dv a r i a b l e sa r en o tc o m p l e t eu n t i lt h ee n do ft h eo p e r a t i o n ， m o r e o v e r , s t a r t i n gc o n d i t i o n sa n de x o t i ce n v i r o n m e n to f e a c hb a t c hr u na r ed i f f e r e n ts ot h a t t h et o t a ld u r a t i o no ft h eb a t e h e si sn o ts a m e i no r d e rt oo v e r c o m e 血o s ed r a w b a c k sa n d e n h a n c et h ed i a g n o s t i cp e r f o r m a n c e ，i m f d ai s p r e s e n t e d t h ed i a g n o s t i cp e r f o r m a n c ei s t e s t e db ya p p l i c a t i o nt ot h es i m u l a t e df e d - b a t c hp e n i c i l l i nf e r m e n t a t i o n 1 1 1 er e s u l t ss h o wt h a t t h i sm e t h o di sf e a s i b l e ( 5 ) am i x t u r em e t h o do ff a u l td i a g n o s i s ，i c a - f d a ，i sp r o p o s e du s i n gi n d e p e n d e n t c o m p o n e n ta n a l y s i s ( i c a ) a n df i s h e r d i s c r i m i n a n ta n a l y s i s ( f d a ) al a r g en u m b e ro f p r o c e s sv a r i a b l e sa r em e a s u r e di nac h e m i c a lp r o c e s s ，b u tt h i sp r o c e s si su s u a l l yd r i v e nb y f e w e rk e yv a r i a b l e s ，w h i c hm a yn o tb em e a s u r e d t h em a j o r p u r p o s eo f c a i st of i n dt h e u n d e r l y i n gc o m p o n e n t sf r o mt h ed a t au n d e rn o r m a lo p e r a t i n gc o n d i t i o n ，s ot r a n s f o r m a t i o n m a t r i xi sf o u n df r o mt h e o r i g i n a l d a t a s p a c e t ot h e i n d e p e n d e n tc o m p o n e n ts p a c e f o r e x t r a c t i n gt h ek e yv a r i a b l e s t h ep r o c e s sf a u l td i a g n o s i sp e r f o r m a n c ew i l lb ei m p r o v e db y e x t r a c t i n gs u c hk e yv a r i a b l e s f d am o d e li sc o n s t r u c t e db a s e do nv a r i o u sk n o w n f a u l td a t a t h a th a v eb e e np r o j e c t e dt ot h ei n d e p e n d e n tc o m p o n e n t s p a c ei no r d e r t od i a g n o s ef a u l t s ，t h e p e r f o r m a n c eo f t h ep r o p o s e dd i a g n o s i sm e t h o di st e s t e du s i n gt h et ep r o c e s s t h er e s u l t s s h o wt h a tt h e p r o p o s e d m e t h o d o u t p e r f o r m so t h e rf d a - b a s e dd i a g n o s i sm e t h o d s f i n a l l y ，t h e r ea r ec o n c l u d e dw i t has u m m a r ya n ds o m ef u r t h e rr e s e a r c ha r e a s , i nt h i s t h e s i s 浙江大學博士學位論文 k e y w o r d s ：f i s h e rd i s c r i m i n a n ta n a l y s i s ；p a r t i a l l e a s t s q u a r e s ；p r i n c i p a lc o m p o n e n t a n a l y s i s ；f a u l td i a g n o s i s 浙江大學博士學位論文 致謝 轉(zhuǎn)眼間，三年的求學生涯疾逝而去。在此，首先要衷心地感謝導師王樹青教授三年 來對我孜孜不倦的教育和指導。王老師淵博的學識、嚴謹?shù)闹螌W態(tài)度、踏實的工作作風 和敏銳的洞察力使我受到潛移默化的熏陶，使我不僅在科研能力上得以提高，更學會了 做人、做事的原則和方法。 在三年的科研工作中，感謝王寧教授、張建明副教授、金曉明副教授、來圍妹女士 以及系里其他老師在學習和工作上給予我的關(guān)心和幫助。 感謝統(tǒng)計性能監(jiān)控課題組的何寧博士、陳亞華碩士、周韶園博士和董勝利碩士，尤 其是郭明博士和謝磊博士。與他們在一起討論，我得到不少啟發(fā)和思路，使我的論文得 以順利完成。 感謝實驗室的王林、韓安太、黃海、劉峙飛、劉天泉、李奇安、劉益劍、郭敏強、 祝雪妹、洪偉榮、陳良、呂品品、趙小強、李榮雨、張惠良、余金華、朱煒等給予的幫 助和鼓勵，懷念和他們一起度過的愉快時光。 感謝我丈夫?qū)ξ业闹С?，安撫我浮躁的心，使我能夠靜下心來從事研究。感謝我的 父母，在我多年的求學過程中，他們?yōu)槲腋冻隽嗽S多。沒有他們多年來默默無聞的支持 和鼓勵，很難想象我能順利完成今天的學業(yè)。 感謝所有以上還未提及的曾經(jīng)幫助過我的師長、同學和好友! 蓀勱夾 2 0 0 5 年3 月于浙大求是園 浙江大學博士學位論文 第一章綜述 摘要 本章主要回顧了過程監(jiān)控的目的、必要性以及過程監(jiān)控與故障診斷的主要方法。著 重闡述了基于數(shù)據(jù)的過程監(jiān)控方法的研究歷史、現(xiàn)狀及存在的問題。最后，給出了本論 文的研究內(nèi)容及組織結(jié)構(gòu)。 關(guān)鍵詞：過程監(jiān)控：間歇生產(chǎn)過程：連續(xù)生產(chǎn)過程；故障診斷 1 1 引言 隨著現(xiàn)代工業(yè)及科學技術(shù)的迅速發(fā)展，現(xiàn)代化的流程工業(yè)系統(tǒng)不斷朝著大規(guī)模、復 雜化、集成化的方向發(fā)展，自動化水平也不斷地提高。與此同時，其發(fā)生故障的可能性 也隨之增加。這類系統(tǒng)一旦發(fā)生故障，不僅將會造成人員和財產(chǎn)的巨大損失，而且對生 態(tài)環(huán)境也將會造成不可挽回的影響。例如，1 9 8 4 年位于印度伯帕爾市的美國碳化物公 司農(nóng)藥廠發(fā)生毒氣泄漏事故，造成2 0 0 0 多人死亡，2 0 多萬人受傷，成為世界工業(yè)史上 的惡性事故典型；1 9 8 6 年4 月前蘇聯(lián)切爾諾貝利核工廠發(fā)生核泄漏事件，帶來的嚴重 后果至今還在延續(xù)中( 據(jù)2 0 0 4 年統(tǒng)計，參加救援工作的8 3 4 萬人中，有5 5 萬人喪生， 7 萬人成為殘疾。3 0 多萬人后因受放射傷害死去) ；1 9 8 6 年1 月2 8 日，美國航天飛機 “挑戰(zhàn)者”號在空中爆炸事件，導致7 名宇航員全部遇難，總計損失達1 2 億美元：2 0 0 0 年6 月科威特a 1 a h m e d i 石油煉化廠發(fā)生爆炸，導致1 億美元的損失。就化學工業(yè)而言， 重大的災(zāi)難性事故雖不會經(jīng)常發(fā)生，但小事故卻每天都在發(fā)生。據(jù)估計，由于缺乏高性 能的a e m ( a b n o r m a le v e n tm a n a g e m e n t ) 系統(tǒng)，這些小事故每年給美國石油化工企業(yè) 造成2 0 0 億美元的經(jīng)濟損失【l 】。據(jù)統(tǒng)計，7 0 左右的工業(yè)故障由于人為操作錯誤而造成 的 2 1 ，為了提高工業(yè)生產(chǎn)過程與控制系統(tǒng)的可維護性和安全性，同時提高產(chǎn)品的質(zhì)量、 降低生產(chǎn)成本，追切地需要建立過程監(jiān)控系統(tǒng)對工業(yè)生產(chǎn)進行故障監(jiān)控。如果將過程監(jiān) 控技術(shù)應(yīng)用到各種領(lǐng)域中，不僅可以大大降低故障的發(fā)生率，而且節(jié)約不必要的開支。 因此，過程監(jiān)控已經(jīng)成為c i p s ( c o m p u t e ri n t e g r a t e dp r o c e s ss y s t e m ) 系統(tǒng)的一個熏要 組成部分，也是備受關(guān)注的研究領(lǐng)域。 1 1 1 故障的定義及過程監(jiān)控的步驟 所謂故障是指系統(tǒng)至少有一個特征或參數(shù)出現(xiàn)較大偏差，超出了可接受的范圍。當 第一章綜述 過程發(fā)生故障時，系統(tǒng)的性能明顯低于正常水平，難以完成其預期的功能。故障按發(fā)生 的部位可分成三種類型1 3 】( 如圖1 1 所示) ，即執(zhí)行器故障、過程故障和傳感器故障。 過程故障包括元部件發(fā)生故障，過程參數(shù)變化( 如催化劑中毒和交換器結(jié)垢) 以及干擾 參數(shù)的變化( 如過程進料的濃度或環(huán)境溫度發(fā)生極端變化) 等；執(zhí)行器故障如調(diào)節(jié)閥失 靈；傳感器故障則可能是測量發(fā)生偏差或傳感器失靈。根據(jù)故障的性質(zhì)又可分為突發(fā)故 障和緩變故障。從建模角度出發(fā)，可分為乘性故障和加性故障。 執(zhí)行器 故障 過程故 障 傳感器 故障 未知輸入 圖i - 1 各種不同類型故障的定義 過程監(jiān)控主要包括四個步驟f 3 1 ，分別為故障檢測、故障識別、故障診斷和過程恢復。 故障檢測就是確定故障是否發(fā)生?？焖贉蚀_地檢測出故障有利于及早地采取有效的措 施，從而避免嚴重問題的出現(xiàn)。故障識別是把那些與診斷故障有關(guān)的觀測變量識別出來。 目的在于把注意力集中到與故障相關(guān)的子系統(tǒng)上，以便最有效地消除故障所帶來的不良 效應(yīng)。故障診斷是確定發(fā)生故障的類型和導致故障的原因。過程恢復是去除故障的影1 1 向， 這一步也使整個監(jiān)控過程形成一個閉環(huán)回路，如圖1 2 所示瞄j 。 圖1 2 過程監(jiān)控示意圖 雖然上述四個步驟可以在一個過程控制方案中實施，但這并不總是必需的，也沒有 必要把這四個步驟全部自動化，過程監(jiān)控的目標通常是把設(shè)備操作員和工程師有效地融 入到過程監(jiān)控中。 浙江大學博士學位論文 1 2 過程監(jiān)控的方法 從不同角度出發(fā)，過程監(jiān)控方法的分類也不完全相同。f r a n k l 4 】將過程監(jiān)控的方法 分成三類，即基于解析模型的方法、基于信號處理的方法和基于知識的方法。但是，隨 著多變量統(tǒng)計方法不斷地在故障檢測和診斷中得到應(yīng)用，f r a n k 的分類方法就顯得不夠 全面。王海清【5 主要從基于數(shù)學模型和不依賴于數(shù)學模型這兩個角度來對過程監(jiān)控方法 進行分類。v e n k a t a s u b r a m a n i a 2 1 6 】 7 】在總結(jié)f r a n k l 4 、k r a m e r 和m a h 9 1 等人的工作基礎(chǔ) 上以先驗知識( p r i o r ik n o w l e d g e ) 為基礎(chǔ)將過程監(jiān)控方法分成三種類型，即基于定量 模型的方法、基于定性模型的方法和基于過程歷史數(shù)據(jù)的方法。無論是采用哪種分類方 法分類，都不能把各個方法完全區(qū)分開，各種方法之間存在一定的交叉和聯(lián)系。綜合以 上的分類方法，本論文將過程監(jiān)控方法分成四類，如圖1 3 所示，即基于解析模型的方 法、基于知識的方法、基于信號處理的方法和基于數(shù)據(jù)驅(qū)動的方法。 1 2 1 基于解析模型的方法 基于解析模型的方法是最早發(fā)展起來的，此方法需要建立被診斷對象的精確數(shù)學模 型，是一種以殘差為特征的方法。殘差是設(shè)備觀測值與數(shù)學模型之間一致性檢驗的結(jié)果。 殘差會由于故障、干擾、噪聲和模型誤差而不為零?；诮馕瞿Ｐ驮O(shè)計的過程監(jiān)控系統(tǒng) 的關(guān)鍵問題是把故障引起的殘差和其它變化所引起的殘差區(qū)分開來。它主要有三種方 法，即參數(shù)估計法【1 15 1 、狀態(tài)估計法1 6 屯。埽口等價空間法【2 卜2 4 1 。參數(shù)估計法是根據(jù)模型 參數(shù)及相應(yīng)的物理參數(shù)的變化量序列的統(tǒng)計特性來進行故障檢測、分離和估計。與基于 狀態(tài)估計的方法相比，參數(shù)估計法更易于故障的定位與故障幅值的估計。狀態(tài)估計法的 基本思想是利用觀測器濾波器對系統(tǒng)的狀態(tài)進行估計并構(gòu)成殘差序列，然后采取一定 的措施增強殘差序列所包含的故障信息，抑制模型誤差等非故障信息，通過對殘差序列 的統(tǒng)計檢驗把故障從中檢測出來。由于很難獲得系統(tǒng)的精確數(shù)學模型，所以現(xiàn)階段對于 狀態(tài)估計方法的研究主要集中在提高監(jiān)測系統(tǒng)對于建模誤差、擾動、噪聲等未知輸入的 魯棒性及系統(tǒng)對早期故障的靈敏度。等價空間法主要檢查系統(tǒng)數(shù)學方程與各種測量值是 否一致。它是一種線性動態(tài)變換，把變換后的殘差用于檢測和分離故障。 1 2 2 基于知識的方法 基于知識的方法不需要精確的數(shù)學模型，它通過系統(tǒng)的因果模型、專家知識、系統(tǒng) 的詳細描述或者故障癥狀舉例來獲得監(jiān)控模型。它又可進一步分成基于癥狀的方法和基 4 第一章綜述 圖1 - 3 過程監(jiān)控方法的分類 于定性模型的方法?；谥R的方法常見的有專家系統(tǒng)法【2 5 也7 1 、人工神經(jīng)網(wǎng)絡(luò)方法 2 8 3 2 、模糊推理法【3 3 - 3 8 、故障樹【3 9 】【4 0 1 以及定性仿真【4 1 1 等方法。 專家系統(tǒng)是利用專家的專業(yè)知識進行推理來解決專業(yè)高難度實際問題的智能系統(tǒng)。 故障診斷專家系統(tǒng)作為專家系統(tǒng)的一個分支，是人們根據(jù)長期的實際經(jīng)驗和大量故障信 息知識，設(shè)計出一種智能計算機程序系統(tǒng)，以解決難以用數(shù)學模型來精確描述的系統(tǒng)的 浙江大學博士學位論文 故障診斷問題。 人工神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用已經(jīng)滲透到各個領(lǐng)域，并在智能控制、計算機視覺、傳感 技術(shù)與機器人、生物醫(yī)學工程等方面取得令人鼓舞的進展。人工神經(jīng)網(wǎng)絡(luò)同現(xiàn)有的動態(tài) 信號處理、專家系統(tǒng)、模糊推理等診斷技術(shù)相結(jié)合，為故障信號分析與處理、故障模式 識別、故障領(lǐng)域?qū)＜抑R的組織和推理等方面的研究提供了一種新的途徑，并推動了過 程監(jiān)控的智能化。 模糊推理方法是從2 0 世紀6 0 年代中期開始發(fā)展起來的，用來表示不確定性和不精 確性知識。模糊推理剝用分級狀態(tài)，面不指出嚴格正確或錯誤，提供了近似但有效的描 述復雜不確定系統(tǒng)的方法。模糊故障診斷有兩種基本方法，一種是先建立征兆與故障類 型之間的因果關(guān)系矩陣，再通過相應(yīng)的模糊合成算子建立故障與征兆的模糊關(guān)系方程， 是基于模糊關(guān)系及合成算子的滲斷方法。另一種基本方法是先建立故障與征兆的模糊規(guī) 則庫，再進行模糊邏輯推理的診斷過程，這是一種基于模糊知識技術(shù)的診斷方法。此外， 還有其它基于模糊推理的過程監(jiān)控方法。 定性仿真是定性推理的一種方法，它把系統(tǒng)行為描述為狀態(tài)轉(zhuǎn)換圖，系統(tǒng)可能的行 為則是這個圖中的一條路徑。 1 2 3 基于信號處理的方法 基于信號處理的方法是一種傳統(tǒng)的過程監(jiān)控的方法，通常利用信號模型，如相關(guān)函 數(shù)、頻譜、自回歸滑動平均等，直接分析可測信號，提取方差、均值、幅值、相位、峭 度、頻譜等特征值。其中，基于小波變換的方法倍受關(guān)注”“”。小波變換是一種時問一 尺度分析方法，具有多分辨率分析的特點。它是在8 0 年代后期發(fā)展起來的應(yīng)用數(shù)學分 支，最初由法國學者d a u b e c h i e s 和m a l l a t 引入信號處理研究領(lǐng)域。利用小波變換可以 進行信號的隨機去噪，即小波變換可以作為一種信號預處理方法用于故障特征的提取和 信號去噪。適當?shù)倪x取小波尺度，在這些尺度的小波基上對信號進行重構(gòu)，去掉高頻、 工頻噪聲頻段內(nèi)的小波尺度，可以保證重構(gòu)的信號只包含系統(tǒng)運行信息及故障信息。 1 2 4 基于數(shù)據(jù)驅(qū)動的方法 基于數(shù)據(jù)驅(qū)動的方法嘲是直接利用過程數(shù)據(jù)的一種過程監(jiān)控方法。現(xiàn)代工業(yè)系統(tǒng)， 無論是整個工廠還是單獨一個生產(chǎn)單元，都是大系統(tǒng)。由于典型的現(xiàn)代過程都有大量的 儀器儀表，大系統(tǒng)會產(chǎn)生大量的數(shù)據(jù)。雖然可以從這些過程中獲得許多信息，但是要從 觀測的數(shù)據(jù)中實現(xiàn)對過程運行情況的評估，已超出了操作員或工程師的能力范圍。數(shù)據(jù) 第一章綜述 驅(qū)動技術(shù)的優(yōu)勢在于它們能將高維的數(shù)據(jù)變換成低維的數(shù)據(jù)，并從中獲取重要的信息。 通過給過程操作員或工程師計算出一些有意義的統(tǒng)計數(shù)字，大大地改善對系統(tǒng)的過程監(jiān) 控?；跀?shù)據(jù)驅(qū)動的監(jiān)控方法不需要精確的數(shù)學模型，而是采用多元投影方法，將過程 數(shù)據(jù)和質(zhì)量數(shù)據(jù)從高維數(shù)據(jù)空間投影到低維特征空間，所得到的特征變量保留了原始數(shù) 據(jù)的特征信息，摒棄了冗余信息，是一種高維數(shù)據(jù)分析處理的有效工具?；跀?shù)據(jù)驅(qū)動 的方法又可以分為單變量統(tǒng)計方法和多變量統(tǒng)計分析方法。單變量統(tǒng)計方法只對生產(chǎn)過 程的一些重要指標單獨地實施統(tǒng)計過程監(jiān)控，主要方法有s h e w h a r t 控制圖、累計和圖 和指數(shù)加權(quán)平均圖等。隨著現(xiàn)代工業(yè)技術(shù)的發(fā)展，單變量統(tǒng)計方法逐漸被多變量統(tǒng)計方 法所取代。多變量統(tǒng)計監(jiān)控方法主要包括主元分析( p r i n c i p a lc o m p o n e n ta n a l y s i s ， p c a ) 、部分最d , - 乘( p a r t i a l l e a s ts q u a r e s ，p l s ) 、獨立成分分析( i n d e p e n d e n t c o m p o n e n t a n a l y s i s ，i c a ) 和f i s h e r 判別式分析( f i s h e r d i s c r i m i n a n t a n a l y s i s ，f d a ) 等。 以上這四種過程監(jiān)控方法，每種方法都具有各自的優(yōu)缺點，因此，沒有哪一種方法 對所有的應(yīng)用來說都是最優(yōu)的。實際應(yīng)用的過程監(jiān)控方案通常是把多種統(tǒng)計量和方法結(jié) 合起來，共同應(yīng)用到故障檢測、識別和診斷中。 1 3 基于多變量統(tǒng)計的故障檢測和診斷技術(shù)的研究現(xiàn)狀 大規(guī)模生產(chǎn)要求不同工人生產(chǎn)的各種零部件能達到高度一致性和協(xié)調(diào)性。這是這種 對產(chǎn)品質(zhì)量高度一致性的需要，促成了統(tǒng)計過程控制( s t a t i s t i c a lp r o c e s s e sc o n t r 0 1 ) 技術(shù) 的出現(xiàn)。1 9 2 4 年s h e w h a r t 博士繪出世界上第一張質(zhì)量控制圖被認為是統(tǒng)計過程控制發(fā) 展的開端。傳統(tǒng)的統(tǒng)計過程控制采用單變量統(tǒng)計過程控制，只對生產(chǎn)過程中一些重要指 標( 如質(zhì)量變量及與質(zhì)量有關(guān)的過程變量) 單獨地實旌統(tǒng)計過程控制，例如為這些指標 單獨建立s h e w h a r t 圖、累計圖以及e w m a 等。但是，單變量統(tǒng)計過程控制只考慮單一 變量的變化幅度，不涉及到多個質(zhì)量指標間的相互關(guān)聯(lián)關(guān)系。而實際生產(chǎn)過程中，與質(zhì) 量相關(guān)的測量變量不止一個，且這些變量之間往往是相互關(guān)聯(lián)的。在這種情況下，對這 些變量單獨進行統(tǒng)計控制往往會導致生產(chǎn)過程中的異常不能被檢測出來，從而容易誤導 操作人員。另一方面，隨著測量技術(shù)的發(fā)展，過程擁有大量的測量數(shù)據(jù)，這時單變量過 程控制就顯得力不從心了。以上原因促使了基于多變量統(tǒng)計控制( m u l t i v a r i a t es t a t i s t i c a l p r o c e s sc o n t r o l ，m s p c ) 的故障檢測和診斷方法得到迅猛的發(fā)展。 目前多變量統(tǒng)計監(jiān)控方法已在北美和歐洲得到一定的重視，并在工業(yè)生產(chǎn)中得到 應(yīng)用。m i l l e r 4 8 1 等在1 9 9 3 年報告了美國柯達公司應(yīng)用多變量統(tǒng)計監(jiān)控的情況。 k o s a n o v i c h 和p i o v o s o 4 9 】報告了美國杜邦公司應(yīng)用多變量統(tǒng)計監(jiān)控技術(shù)的情況。w i s e i ”j 等報告了多向主元分析、三線性分解和平行因素分析應(yīng)用到美國德克薩斯儀表公司的半 浙江大學博士學位論文 導體蝕刻過程的情況。m a r t i n s l l 等介紹了多變量統(tǒng)計監(jiān)控技術(shù)在歐洲應(yīng)用的情況。與此 同時，關(guān)于多變量統(tǒng)計控制的商業(yè)軟件也逐漸增多。一個比較好的軟件就是美國特征向 量研究公司發(fā)研發(fā)的p l s 軟件包1 5 2 1 。經(jīng)過十幾年的完善，該軟件已經(jīng)被廣大工業(yè)界人 士所接受。英國的m d c 技術(shù)公司同英國紐卡斯爾大學化工系合作，推出了m s p c + 軟 件包1 5 。 在多變量統(tǒng)計過程控制中，常見的方法包括主元分析【3 1 【5 4 1 ( p r i n c i p a lc o n l p o n e n t a n a l y s i s ，p c a ) 、部分最小二乘( p a r t i a l l e a s ts q u a r e s ，p l s ) 1 3 j 、g i s h e r 判別式分析p o ( f i s h e r d i s 曲m i n a n ta n a l y s i s ，f d a ) 和規(guī)范變量分析引( c a n o n i c a lv a r i a t ea n a l y s i s ，c v a ) ，以 及最近發(fā)展起來的獨立成分分析【5 5 1 ( i n d e p e n d e n tc o m p o n e n ta n a l y s i s ，i c a ) 等。它們主 要的特點是可以完全依賴于數(shù)據(jù)來實現(xiàn)故障檢測和診斷。下面主要從流程工業(yè)韻兩種生 產(chǎn)方式，即連續(xù)生產(chǎn)過程和間歇生產(chǎn)過程，來闡述多變量統(tǒng)計監(jiān)控方法的發(fā)展現(xiàn)狀。 1 3 1 連續(xù)生產(chǎn)過程監(jiān)控的發(fā)展概況 1 、主元分析( p r i n c i p a lc o m p o n e n ta n a l y s i s ，p c a ) 1 9 0 1 年，p e a r s o n 在研究如何對空間中的點進行最佳擬合直線和平面時，提出了主 元分析的方法。f i s h e r 和m a c k e n z i e ( 1 9 2 3 ) 認為，主元分析在系統(tǒng)響應(yīng)方差分析方面的用 途比在系統(tǒng)建模方面的用途要大，并提出了n i p a l s 算法的雛形。h o t e l l i n g ( 1 9 3 3 ) 對主 元分析的方法進行了改進，使其成為目前被廣泛應(yīng)用的方法。主元分析可以用來實現(xiàn)數(shù) 據(jù)簡化、數(shù)據(jù)壓縮、建模、奇異值檢測、變量選擇、分類和預報等功能。 從數(shù)學角度而言，主元分析可以通過對測量數(shù)據(jù)矩陣的協(xié)方差矩陣進行奇異值分解 ( s i n g u l a rv a l u ed e c o m p o s i t i o n ，s v d ) 來進行。其原理如下，采集處于正常操作條件下 的過程數(shù)據(jù)，對其進行標準化處理，得到均值為0 ，方差為1 的數(shù)據(jù)矩陣瓦，。( n 為采樣 點數(shù)，m 為測量變量數(shù)) 。然后進行主元分析，設(shè)主元模型為 x ：t p 7 + 癤7 = t p 7 + e 式中，t 孵“2 和p 倪2 分別為主元得分矩陣與載荷矩陣，m 為選取的主元數(shù) 于鞏“( “1 和p 吁r 咖一分別為殘差得分矩陣和載荷矩陣，e 蚪”為預測殘差矩陣。 主元和載荷矩陣可以遞過對測量數(shù)據(jù)矩陣x 的協(xié)方差矩陣皿= x 7 x n l 進行奇異值 分解得到，即 第章綜述 r = 【p ，p 3 a i p ，f ， t = x p r = x p ( 1 2 ) ( 1 3 ) ( 1 4 ) 式中，a = d i a g ( , t ) ，其中，五。( i = 1 ，塒) 為主元得分f 和殘差得分于各列的方差。 因此，主元分析的實質(zhì)是將測量空間s 分解為主元子空間和殘差子空間i 之和。即 s = 蜃。歹 ( 1 5 ) 式中。表示兩空間的直和，子空間和i 互為正交補空間，且d i 以自= 七，d i m 西) = m k 。 為了利用主元模型對生產(chǎn)過程進行監(jiān)控，需要由過程正常運行的數(shù)據(jù)來確定過程運 行的控制限。它們分別是在主元子空間定義的h o t e l l i n gt 2 統(tǒng)計量和在殘差予空間i 定義的平方預測誤差s