论文部分内容阅读
基于数据驱动的工业统计学方法通过充分利用过程中积累的大量运行数据,从中挖掘过程运行的深层次规律,是保证生产安全、提高产品质量一致性以及企业效益的有效手段,因此正成为流程工业控制领域内的研究热点。 本文以部分最小二乘(Partial Least square PLS)算法为主线,结合生产实际,提出了采用PLS方法的工业过程统计建模、产品质量预测以及在线质量监控等方面的相关理论。分别针对连续流程和间歇流程的特点,提出了:1) PLS框架下故障检测的基本条件探讨;2) 基于PLS的最优质量监控模型;3) 基于VPLS(Vp-PLS)算法的质量与费用控制,提高监控系统对微弱故障的检测能力;4) 折息递推部分最小二乘(DRPLS)算法,用于间歇过程的建模与预测;5) 递推部分最小二乘在线质量监控,提高监控系统对时变过程的监控能力;6) 基于PLS的传感器故障诊断算法等。并将所获结果应用于目前国际上公认的大型化工仿真平台TE过程和橡胶混炼过程质量控制中。其中对橡胶混炼过程的在线预测、跟踪排胶控制等方法已经成功运用于国内某大型橡胶厂的智能密炼控制系统中,并取得了满意效果。 在流程工业产品质量监控方面,以TE(Tennessee Eastman)过程为主要背景: 1) 结合故障空间定义,根据PLS算法的具体特点,系统的讨论PLS框架下故障检测的基本问题,为PLS算法在异常事件管理方面的进一步应用奠定基础; 2) 计算过程变量的Vp测度,以对质量变量影响力的大小来量化过程变量的重要性,在故障子空间定义的基础上量化过程故障的重要性,进而通过对不同故障进行适当的加权,建立最优检测模型,以优化监控算法对重要过程故障的检测能力; 3) 提出新的QRPV, QCPV统计量,结合Hotelling T~2统计量形成新的VPLS监控策略,利用QRPV统计量有效排除非重要变量的影响,进而监控过程的主要关系,提高监控算法的灵敏性; 4) 以稳定产品质量为主要目的确定流程工业中测量传感器的重要性,提出新的QV监测统计量,增强监控系统对于严重影响产品质量的传感器微弱故障的检测能力;利用此监测统计量以及结构化残差编码设计,结合TE过程特点,对TE过程的传感器故障进行在线检测和识别。