间歇过程多变量统计过程控制的理论与方法

统计过程控制技术作为一种用统计分析方法保证产品质量和生产稳定性的手段,在现代工业生产中的应用日益广泛。阃歇生产过程因其过程变量的时间相关性和变量之间大多存在强非线性关系的特点,采用传统的统计过程控制方法难以满足其对产品高质量的要求。通过多元投影的方法压缩过程变量的维数,在较低维的主元空间对过程进行监控。可以较好的解决上述矛盾。针对间歇过程运行的特点,分析了线性和非线性多元统计过程控制技术的理论和方法。     

基于统计模式分析的多变量连续过程故障检测

针对一些批处理过程中,如同步批轨迹处理和多峰分布等问题,提出了一种基于统计模量(statistics pattern analysis,SPA)分析连续过程的故障诊断方法.FD-SPA和MPCA的显著差别是前者的监测对象是批次变量的统计特征,而后者监控过程变量.MPCA通过分析过程变量的方差—协方差进行故障检测,在SPA中,既要统计过程变量的均值与方差,又要统计过程变量间的协方差结构、偏度、峭度、自相关和互相关性.提出了一种基于滑动窗口的统计模量方法监测非线性的连续过程,使故障检测的准确性与可靠性得到提高.通过在TE过程中与传统的MPCA和KNN方法对比,验证了此方法的有效性.     

基于统计特征的不等长间歇过程故障诊断研究

为了提高不等长间歇过程故障诊断的性能, 同时降低算法的复杂度, 提出了一种基于统计特征的不等长间歇过程故障诊断算法。首先计算每个不等长批次的均值、方差、偏度、峭度和任意两个变量间的欧氏距离, 并将这些统计特征组合成一个等长的特征向量; 然后运用主元分析(PCA)进行过程监视。半导体工业实例的仿真结果表明, 与传统的多向主元分析(MPCA)方法相比, 基于统计特征的不等长间歇过程故障诊断算法的故障诊断率提高15%, 故障检测时间减少了0. 002 s, 因此该算法具有很好的故障诊断性能。     

基于主元分析的多变量统计理论在过程监控中的应用

在连续重整加热炉等设备的过程生产中,应用多变量统计中的主元分析方法,可以从集散控制系统自身所带的大量数据中提取有用的信息,建立数学模型,来监控整个生产过程,及时发现和预防故障的产生。     

间歇过程的统计建模与在线监测

现代过程工业正逐渐倚重于生产小批量、多品种、高附加值产品的间歇过程.基于多元统计模型的过程监测是保障生产安全和产品质量的重要工具.从间歇过程独特的数据特性出发,将现有的多元统计建模方法进行合理的分类,简要回顾了各类方法的起源、发展及延伸的历程.除了阐述每种方法的基本原理,还详细讨论了各种方法的适用背景,相互关联及优缺点等内容,并对这一领域中依然存在的问题以及研究前景给出中肯的评述.     

基于Q统计量的工业过程监控实例分析

将多变量统计过程控制应用于过程监控与诊断,在学术研究中已经较为普遍,但在工业实践方面还未充分施行。本文用一个化工过程的实例,讨论具体实施方案。首先,用一般的主元分析模型,分别使用了Q和T~2统计量,发现实际问题中有些情况下,两者提供的控制图信息不完全一致,造成工程人员难以分析判断。为提供更好的解决方案,采用两个新的统计量来代替Q统计量,应用结果表明,当Q统计量进一步分解后,可以对过程运行的状态作出更细致的解释,有助于找出过程运行中的故障。     

一种间歇过程异常数据剔除的主元分析方法

提出一种用于间歇生产过程中异常数据控制的方法。这种方法将原始的三维间歇生产数据集合展开成一个二维数据矩阵,进行中心化和规格化后再转化成另一个按照时间序列排列的二维数据矩阵。这种方法可以克服Wold方法在对数据进行中心化时引起的原始信息失真问题。通过对聚合反应釜过程数据进行分析,表明该方法能有效地对生产数据剔除异常。     

近邻标准化样本核特征量驱动的间歇过程故障检测

针对间歇过程的多工况和非线性特征,提出一种基于近邻特征标准化(Nearst Neighborhood Feature Standardization,NNFS)样本的核特征量(Kernel Feature Statistics,KFS)故障检测方法。首先,将间歇过程数据按批次方向展开构成二维建模样本,计算每个样本的局部近邻,采用近邻特征实现标准化,提取多工况批次之间的正常偏差,克服Z-score标准化将多工况过程数据看作一个整体而造成的不准确问题。其次,通过核方法将经过标准化后的样本映射到高维空间,在核空间建立监视模型,计算特征量,并提出采用方差分析(variance,VAR)方法确定核参数,通过核密度估计法确定统计控制限。最后,在青霉素发酵过程进行仿真研究,通过比较表明了所提方法的有效性。     

基于二维主元分析的间歇过程故障诊断

传统的多向主元分析(MPCA)已广泛应用于监视多变量间歇过程。在MPCA算法中,三维的间歇过程数据需要转换为高维的二维向量,导致计算量和存储空间大,同时不可避免地丢失一些重要信息。因此,提出一种新的基于二维主元分析(2DPCA)的故障诊断方法。由于每个批次的间歇过程数据是一个二维向量(矩阵),应用以各个批次矩阵为分析对象的2DPCA算法,避免矢量化,存储空间和存储需求小;另外,2DPCA采用各个批次的协方差的平均值来进行建模,能够更加准确地反映出不同类型的故障,在一定程度上增强了故障诊断的准确性。半导体工业实例的监视结果说明,2DPCA方法优于MPCA。     

多段MPCA法监测间歇过程的故障

多向主元分析(MPCA)是监测间歇生产过程故障的较为有效的方法,但由于其自身的线性化特点,故在复杂的非线性动态系统的监测中便不能及时、准确地发现故障。本文就MPCA法的这一缺点提出新的多段MPCA法,根据过程本身的动态特性,将间歇过程分成多阶段,用多个MPCA模型来描述。此法应用于监测青霉素发酵的过程,比普通MPCA能更及时、准确地检测到故障。     

多元统计性能监视和故障诊断技术研究进展

综述了多元统计分析方法在线性、非线性、多尺度领域中的理论研究进展.分析和总结了连续生产过程和批量间歇生产过程性能监视和故障诊断的应用情况.最后探讨了这一领域中值得进一步研究的问题和可能的发展方向.􀁱     

基于时段的间歇过程统计建模、在线监测及质量预报

首先针对基于多元统计技术的间歇过程统计建模、在线监测、故障诊断及质量预测等热点问题进行了论述, 回顾了各类方法的发展, 并分析了各自的优缺点. 接下来重点针对间歇工业过程多时段及时段过渡特性, 详细介绍了基于时段的统计分析策略, 分析了各时段的潜在过程行为及其对产品质量的影响与作用关系, 探讨了该思想方法的本质依据, 揭示了其研究价值和重要意义. 最后从解决实际问题的角度出发, 发掘了其存在的潜在问题及今后的研究前景与发展空间. 基于时段的间歇过程多元统计分析是一个既有理论意义又有较高实际应用价值的研究课题, 必将有利于后续的过程监测、故障诊断及质量改进.     

间歇生产过程的优化方法和控制策略综述

间歇生产过程是流程工业的重要组成部分,因其特有的灵活性和高效性,被广泛应用于食品、化工、制药、冶金、造纸等行业,其优化与控制问题也被广泛的研究.间歇生产过程的非线性和重复性,给优化和控制既带来了机遇又带来了挑战.本文总结了近三十年来间歇生产过程常用的优化方法和控制策略,并且从间歇生产过程的特性出发,分析了优化和控制的难点,讨论了未来可能的发展方向.     

间隙蒸煮过程计算机优化控制

介绍了一套应用于纸厂蒸煮车间的间歇蒸煮过程计算机优化控制系统。该系统能自动完成蒸煮各阶段的操作，也可用来指导操作工进行操作。除了实现对蒸煮过程的常规控制，包括温度随动控制和压力定值控制以外，还针对立式蒸锅建立了Kappa的软测量模型，实现蒸煮终点的精确预报。该系统在福建青州造纸厂蒸煮车间投运后。运行稳定，Kappa值的均方差减小约20％，单锅产量提高约1％，蒸汽压力波动减少91％，化学品用量减少8％，增加产量14．1％。取得了良好的经济效益。     

多元统计过程状态监测分布式系统的实现

过程监测与故障诊断是工业过程工程中的一项重要任务,是保证生产过程安全运行、提高生产率的重要环节。本文在分析各种监控系统的基础上,结合多元统计过程控制方法,提出并开发了一个基于CORBA技术的多客户端工业过程实时监测软件系统。该系统由数据采集、多元统计数据分析服务端、监测界面客户端三部分组成,采用开放式结构具有良好的易维护性和扩充性。     

化工间歇过程的时间Petri网模型和优化控制

针对化工间歇生产过程的特点及优化问题，本文提出用时间Ｐｅｔｒｉ网对过程建模，用动态规化方法对过程实行优化控制，并研究了该优化策略下的算法和控制设计问题。