推荐星级：
- 1
- 2
- 3
- 4
- 5
基于混合分块DMICA-PCA的全流程过程监控方法
资料介绍
分块策略被广泛运用于全流程过程监控领域,以解决全流程过程变量关系复杂性较高的问题,但传统的分块策略与子块建模方法都未考虑过程的动态性问题,并且传统的分块策略都片面依赖于过程知识或过程数据信息,影响了过程监控的效果,为此提出了一种基于混合分块DMICA-PCA的过程监控方法。在分析过程的动态性后,先利用已知的部分过程知识进行变量的初步分块,接着利用各分块变量之间改进的广义Dice’s系数(MGDC)进行进一步的分块。然后采用DMICA-PCA方法对每个子块进行建模得到子块的统计量,并通过加权方法得到总的联合指标进行故障检测。同时对每个子块采用改进的故障诊断方法,提高了诊断效果。最后将该方法应用在TE过程的过程监控中,证明了该方法的有效性。
部分文件列表
| 文件名 | 大小 |
| 基于混合分块DMICA-PCA的全流程过程监控方法.pdf | 1M |
部分页面预览
（完整内容请下载后查看）第68 卷 第2 期
2017 年2 月
化 工 学 报
Vol.68 No.2
February 2017
CIESC Journal
DOI：10.11949/j.issn.0438-1157.20161309
基于混合分块 DMICA-PCA 的全流程过程监控方法
江伟 1，王振雷 1，王昕 2
(1 化学工程联合国家重点实验室，华东理工大学化工过程先进控制和优化技术教育部重点实验室，上海 200237；
2 上海交通大学电工与电子技术中心，上海 200240)
摘要：分块策略被广泛运用于全流程过程监控领域，以解决全流程过程变量关系复杂性较高的问题，但传统的分
块策略与子块建模方法都未考虑过程的动态性问题，并且传统的分块策略都片面依赖于过程知识或过程数据信息，
影响了过程监控的效果，为此提出了一种基于混合分块DMICA-PCA 的过程监控方法。在分析过程的动态性后，
先利用已知的部分过程知识进行变量的初步分块，接着利用各分块变量之间改进的广义 Dice's 系数(MGDC)进行
进一步的分块。然后采用DMICA-PCA 方法对每个子块进行建模得到子块的统计量，并通过加权方法得到总的联
合指标进行故障检测。同时对每个子块采用改进的故障诊断方法，提高了诊断效果。最后将该方法应用在 TE 过
程的过程监控中，证明了该方法的有效性。
关键词：主元分析；过程控制；过程系统；混合分块；全流程；改进的广义Dice's 系数
中图分类号：TP 277
文献标志码：A
文章编号：0438—1157（2017）02—0759—08
Plant-wide process monitoring based on mixed multiblock DMICA-PCA
JIANG Wei 1, WANG Zhenlei1, WANG Xin2
(1State Key Laboratory of Chemical Engineering, Key Laboratory of Advanced Control and Optimization for Chemical Processes,
East China University of Science and Technology, Shanghai 200237, China; 2Center of Electrical & Electronic Technology,
Shanghai Jiao Tong University, Shanghai 200240, China)
Abstract: Multiblock strategy is widely used in plant-wide process monitoring to solve problems with
complicated relationships between process variables. Traditional multiblock strategies and sub-block modeling
methods are not effective in plant-wide process monitoring, because dynamic characteristics of the process have
not been considered and knowledge or data information of the process is exclusively exploited. A mixed
multiblock DMICA-PCA method was proposed to improve process monitoring performance. First, variables were
sliced into initial sub-blocks by obtained process knowledge after analysis of process dynamics and further sliced
into final sub-blocks by modified general Dice's coefficient (MGDC) between variables of initial sub-blocks. Then,
the DMICA-PCA method was used to establish model and acquire statistical values of variables in final
sub-blocks and a combined overall index from weighted sum was developed for fault detection, which improved
performances by simultaneous diagnosis on each sub-block. Effectiveness of the proposed method was validated
2016-09-19 收到初稿,2016-12-05 收到修改稿。
Received data: 2016-09-19.
联系人：王振雷。第一作者：江伟(1991—)，男，硕士研究生。
基金项目：国家自然科学基金重点项目(61134007)；国家自然科学基
金青年项目(61403141)；上海市“科技创新行动计划”研发平台建设项目
(13DZ2295300)；上海市自然科学基金项目(14ZR1421800)；流程工业综
合自动化国家重点实验室开放课题基金资助项目(PAL-N201404)。
Corresponding author: Prof. WANG Zhenlei, . cn
Foundation items: supported by the Key Program of National Natural
Science Foundation of China (61134007), the Youth Program of National
Natural Science Foundation of China (61403141), the Shanghai “Technology
Innovation Action Plan” Development Platform for Building Projects
(13DZ2295300), the Natural Science Foundation of Shanghai
(14ZR1421800) and the State Key Laboratory of Synthetical Automation for
Process Industries (PAL-N201404).
·760·
on monitoring the Tennessee-Eastman (TE) process.
化 工 学 报
第68 卷
Key words: principal component analysis; process control; process systems; mixed multiblock; plant-wide process;
modified general Dice's coefficient
提出了利用过程数据的 PCA 建模后的负荷矩阵 P
引 言
和 ICA 建模后的混合矩阵 W 的信息进行分块，分
别提高了对变量数据高斯和非高斯分布的全流程过
程监控效果。然而这些分块方法都是假设某一时刻
的观测数据与过去时刻的观测数据序列无关，即过
程是静态的。但是在实际复杂工业过程特别是化工
过程中过程变量普遍存在动态关系，即某些变量现
在的观测数据与其他变量的过去时刻的观测数据具
有相关性，如果在分块与建模中不考虑这一问题，
往往得不到好的监控效果，如文献[20]说明对于简
单的化工过程，考虑其动态性进行过程监控的效果
要更好，而对全流程过程则更需要考虑其动态特性。
另外，大部分的全流程过程都能知道部分过程知识，
如果在分块中只考虑变量数据信息而不考虑这部分
过程知识信息，将有可能导致许多过程上毫不相关
的变量被划分到一个子块中，进而影响子块的监控
效果。
随着现代工业生产过程对产品质量和安全性
的要求日益提高，过程监控正在起着越来越关键的
作用[1-2] 。其中，基于多变量统计过程监控
(multivariate statistical process monitor, MSPM)的方
法是过程监控领域的研究热点[3-4]。而在所有的
MSPM 方法中，主元分析(principal component
analysis, PCA)是一种被广泛运用的方法[5-6]，它能对
过程数据进行有效降维，并消除了变量之间的相关
性，从而获得较好的过程监控效果，但该方法仍存
在着不能提取过程数据非高斯信息的问题。为此，
基于独立成分分析(independent component analysis,
ICA)的过程监控方法被提出[7]，该方法不仅能够提
取过程数据的非高斯信息，还能提取过程数据的高
阶统计量信息[8]。但是，对于具有多个操作单元、
大量过程变量、变量关系复杂等特点的全流程过程
来说，这些传统的MSPM 方法都不能实现有效的监
控[9]。
为此，本文提出了一种基于混合分块动态改进
的ICA(dynamic modified ICA,DMICA)-PCA 的全流
程过程监控方法。在确定全流程过程的具体时滞后，
首先根据已知的过程知识进行第一次分块，然后根
据各分块变量数据之间改进的广义 Dice's 系数
(modified general Dice's coefficient, MGDC)进行进
一步的分块。为了解决过程的动态性以及过程数据
存在的高斯与非高斯混合分布的问题，本文对各子
块采用DMICA-PCA 方法进行建模，获得每个子块
的统计量，并对每个子块的统计量进行加权得到总
的联合指标实现对实际工业过程的在线监控。另外，
本文将采用改进的主元方向贡献度方法进行故障诊
断。最后，通过 TE 过程的仿真实验说明所提方法
的有效性。
为了克服全流程过程变量关系复杂性较高的
问题并提取全流程过程数据的局部变量信息，提高
过程监控效果，分块方法被提出[10-11]。Westerhuis
等[12]和 Cherry 等[13]分别提出了多块 PCA 与多块
PLS 及其改进的全流程过程监控方法，这类方法虽
然提高了全流程过程的监控效果，但这些分块方法
过于依赖过程知识，不能应用于对过程知识了解不
足的全流程过程。为此，基于数据驱动的分块方法
被提出，Ge 等[14]和衷路生等[15]首先提出了一种基
于分布式PCA 的全流程过程监控方法，将在同一主
元方向上贡献度高的变量自动划分在同一子块中。
然而基于分布式 PCA 的分块方法只考虑了过程变
量的均值与方差信息，却忽视了变量的其他概率分
布信息，影响了子块的监控效果。为此Jiang 等[16-17]
又先后提出了基于变量之间的 Hellinger 距离
(Hellinger distance, HD)或者互相关信息(mutual
information, MI)进行分块的办法，考虑了变量之间
的概率分布信息，降低了子块变量之间的非线性关
系，提高传统MSPM 方法对每个子块的监控效果。
另外，针对全流程过程数据分布的特点，Wang 等[18-19]
1 过程的动态性分析
在传统的过程监控方法中，各变量被认为在时
间上不相关。然而，在许多化工过程中，由于产品
生产流程较长，过程变量之间普遍存在着动态关系，
即某些变量与其他变量存在时间上的延迟。如果在
对全流程过程的分块与建模过程中不考虑这一特
性，将会影响过程监控的效果。为了解决这一问题，
全部评论(0)