【文章內(nèi)容簡(jiǎn)介】 屆本科生畢業(yè)設(shè)計(jì)（論文） 2 決策。 過(guò)程故障檢測(cè)：通過(guò)對(duì)生產(chǎn)過(guò)程特征信息進(jìn)行分析，判別其是否超出預(yù)定的范圍，確定系統(tǒng)是否有故障發(fā)生。較早檢測(cè)到故障可以對(duì)即將出現(xiàn)的問(wèn)題做出重要的警告，進(jìn)而采取適當(dāng)措施避免它發(fā)展為重大的過(guò)程故障，使最終產(chǎn)品質(zhì)量不受影響，或損失減到最小。 過(guò)程故障識(shí)別：根據(jù)檢測(cè)到的故障信息，識(shí)別出與故障最密切相關(guān)的觀測(cè)變量，以便更好的分析故障的成因，減少恢復(fù)受控運(yùn)行狀況的時(shí)間。 過(guò)程故障診斷：此處是指狹義的故障的診斷，僅指根據(jù)上面的結(jié)論以及其他知識(shí)確定哪種故障 發(fā)生了，具體的說(shuō)就是最終確定故障的類型、強(qiáng)度以及發(fā)生的時(shí)間位置，換句話說(shuō)就是確定故障狀態(tài)的原因。 過(guò)程故障評(píng)價(jià)與決策：判斷故障的發(fā)展趨勢(shì)以及對(duì)監(jiān)控對(duì)象的影響，并針對(duì)不同的工況采取不同的措施，確保過(guò)程的正常運(yùn)行。 一般來(lái)講，工業(yè)過(guò)程監(jiān)控圖 11 所示如下： N Y故 障 檢 測(cè) 故 障 識(shí) 別 故 障 診 斷 故 障 評(píng) 價(jià) 與 決 策 圖 11 工業(yè)過(guò)程監(jiān)控圖 過(guò)程監(jiān)控的常用技術(shù) 傳統(tǒng)的過(guò)程監(jiān)控技術(shù)是采取閾值檢測(cè)和偏差檢測(cè)。如果觀測(cè)值超過(guò)預(yù)定義的閾值，即產(chǎn)生報(bào)警。這種方法容易于實(shí)現(xiàn)和理解。但是當(dāng)系統(tǒng)的狀態(tài)變化時(shí)，對(duì) 應(yīng)原閾值就不再適用，另外，它沒(méi)有考慮過(guò)程變量之間的相互作用，它對(duì)過(guò)程的干擾缺乏靈敏性。偏差檢測(cè)是通過(guò)比較仿真數(shù)值和實(shí)際觀測(cè)值，根據(jù)一致性情況來(lái)產(chǎn)生報(bào)警。偏差檢測(cè)直接依賴于模型的準(zhǔn)確性，模型的不準(zhǔn)確在實(shí)際中是不可避免的。因?yàn)楹茈y將真正的故障和模型的誤差區(qū)別開(kāi)來(lái)，所以偏差檢測(cè)缺乏魯棒性 [3]。 1971年，美國(guó)學(xué)者 Beard首次提出用解析冗余代替硬件冗余故障檢測(cè)和診斷的思想，為過(guò)程監(jiān)控理論的發(fā)展奠定了基礎(chǔ)，同時(shí)，也促進(jìn)了過(guò)程監(jiān)控體系的完善。由于過(guò)程監(jiān)控的核心為故障檢測(cè)及診斷，因此故障診斷的分類方法同樣適用于過(guò) 程監(jiān)控 []。 到目前為止，隨著統(tǒng)計(jì)學(xué)、信號(hào)處理、智能理論的引入，故障診斷技術(shù)得到了極大的發(fā)展，故障診斷方法也有了不同的分類。對(duì)于整個(gè)故障診斷的領(lǐng)域，按照國(guó)際故障診斷權(quán)威 教授的觀點(diǎn)，故障診斷方法可以劃分為以下三類：基于解析模型的方法、基于知識(shí)的方法、基于信號(hào)處理的方法 [4]。 天津大學(xué)仁愛(ài)學(xué)院 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 3 基于解析模型的方法 基于解析模型的故障診斷方法主要依賴于精確的過(guò)程模型，通過(guò)將被監(jiān)控對(duì)象的可測(cè)信息和由數(shù)學(xué)模型重構(gòu)的過(guò)程特征信息進(jìn)行比較，從而產(chǎn)生殘差，并通過(guò)對(duì)殘差的統(tǒng)計(jì)分析和處理而實(shí)現(xiàn)故障檢測(cè)和故障識(shí)別 的技術(shù) [5]。殘差是別監(jiān)控對(duì)象觀測(cè)值和數(shù)學(xué)模型之間一致性比較的結(jié)果，在較好的條件下，如果發(fā)射過(guò)了故障，殘差或它的變形將顯著偏離零點(diǎn)，否則如果只是擾動(dòng)、噪聲或者模型誤差，那么殘差的只會(huì)比較小，多以可以定義適當(dāng)?shù)拈撝祦?lái)檢測(cè)故障是否存在。 根據(jù)殘差產(chǎn)生形式的不同，基于模型的故障診斷方法又可細(xì)分為狀態(tài)估計(jì)方法、參數(shù)估計(jì)方法和等價(jià)空間方法，三種方法之間又存在著獨(dú)立統(tǒng)一的關(guān)系。 狀態(tài)估計(jì)方法 狀態(tài)估計(jì)方法的基本思想是利用系統(tǒng)的解析模型和可測(cè)信息，設(shè)計(jì)檢測(cè)濾波器（觀測(cè)器），重建系統(tǒng)的可測(cè)變量，然后由濾波器的輸出與真實(shí)輸出 的差值構(gòu)造殘差，在對(duì)殘差進(jìn)行分析處理，實(shí)現(xiàn)系統(tǒng)的故障檢測(cè)和分離。在能夠得到系統(tǒng)的精確數(shù)學(xué)模型的情況下，狀態(tài)估計(jì)的方法是最為直接有效的。然而在實(shí)際工業(yè)過(guò)程中，精確過(guò)程模型很難確立，所以目前對(duì)于狀態(tài)估計(jì)法的研究主要解決如何提高檢測(cè)系統(tǒng)對(duì)于建模誤差、擾動(dòng)等未知輸入的魯棒性等問(wèn)題上。 等價(jià)空間法 等價(jià)空間方法最早是由 Chow 等利用動(dòng)態(tài)系統(tǒng)的暫時(shí)冗余關(guān)系而總結(jié)出來(lái)的，其基本思想是通過(guò)系統(tǒng)的輸入輸出（或部分輸出）的實(shí)際值檢驗(yàn)被監(jiān)控對(duì)象數(shù)學(xué)模型的一致性（等價(jià)性），從而達(dá)到檢測(cè)和分離故障的目的。這些關(guān)系能夠給出表示傳感器輸 出之間的靜態(tài)代數(shù)關(guān)系的直接冗余或者被診斷對(duì)象的輸入輸出之間動(dòng)態(tài)關(guān)系的瞬時(shí)冗余。 該方法是一種無(wú)閾值的方法，特別適用于維數(shù)較低的被測(cè)量變量的冗余信號(hào)的優(yōu)劣判斷。 參數(shù)估計(jì)方法 對(duì)于發(fā)生了故障的系統(tǒng)而言，它包括的參數(shù)可以分為兩類：一類是系統(tǒng)參數(shù)，即描述系統(tǒng)動(dòng)態(tài)特性的數(shù)學(xué)模型中的定?；驎r(shí)變參數(shù)；另一類是故障參數(shù)，即用于描述故障信號(hào)自身特性的參數(shù)。因此可以根據(jù)模型參數(shù)及其相應(yīng)的故障參數(shù)變化來(lái)檢測(cè)和分離故障。與狀態(tài)估計(jì)方法相比較，參數(shù)估計(jì)方法更有利于故障的分離。參數(shù)估計(jì)方法要求找出模型參數(shù)和故障參數(shù)之間的一一對(duì)應(yīng)關(guān)系 ，將參數(shù)估計(jì)法和其他基于解析模型的方法結(jié)合起來(lái)，能更好的故障檢測(cè)和分離。 基于知識(shí)的故障診斷方法 基于知識(shí)的方法就不需要被監(jiān)控對(duì)象的精確數(shù)學(xué)模型，主要利用了人工智能的方法，適用于有大量生產(chǎn)經(jīng)驗(yàn)和工藝知識(shí)可以利用的場(chǎng)合。 天津大學(xué)仁愛(ài)學(xué)院 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 4 目前研究的比較深入也比較廣泛的基于知識(shí)的故障診斷方法是基于癥狀的方法，主要有以下幾種 : ? 基于專家系統(tǒng)的智能診斷方法 專家系統(tǒng)的故障診斷方法，是指計(jì)算機(jī)在采集被監(jiān)控對(duì)象的過(guò)程信息后，在一定推理機(jī)制指導(dǎo)下，綜合各種規(guī)則，進(jìn)行一系列的推理判斷，快速的找到最終故障或者最有可能的故障 的過(guò)程，目前已廣泛用于工業(yè)過(guò)程監(jiān)控系統(tǒng)中。 專家系統(tǒng)故障診斷其根本目的在于利用專家的領(lǐng)域知識(shí)，經(jīng)驗(yàn)為故障的診斷服務(wù)，但它的應(yīng)用依賴于專家的領(lǐng)域知識(shí)的獲取，知識(shí)獲取是一個(gè)難點(diǎn)。另外在自適應(yīng)能力、學(xué)習(xí)能力及實(shí)時(shí)性方面也都存在不同程度的局限性。 ? 基于模糊理論的方法 該方法的總體思路是利用集合論中的隸屬函數(shù)和模糊關(guān)系矩陣的概念來(lái)解決故障和征兆 之間的不確定性關(guān)系，進(jìn)而實(shí)現(xiàn)故障的檢測(cè)與診斷?；谀：碚摰姆椒ㄟm用于測(cè)量值較少，含有模糊現(xiàn)象和不確定信息且無(wú)法獲取精確數(shù)學(xué)模型的系統(tǒng)，由于該方法不具備自學(xué)習(xí)能力，模糊規(guī)則過(guò)多 依賴于經(jīng)驗(yàn)等諸多原因，致使它對(duì)和模糊規(guī)則接近的故障診斷結(jié)果較為準(zhǔn)確，而對(duì)新穎的故障診斷效果則較差 [6]。 ? 基于模式識(shí)別的方法 模式識(shí)別方法對(duì)是多變量過(guò)程進(jìn)行故檢測(cè)與識(shí)別的有效途徑。 它首先選擇出對(duì)故障敏感的特征參數(shù)進(jìn)行訓(xùn)練處理，提取關(guān)鍵信息，以建立各種故障的基準(zhǔn)模式集，再由實(shí)測(cè)的信息采用模式匹配算法與已建立的故障基準(zhǔn)模式集進(jìn)行模式匹配，從而檢測(cè)和分離出故障?；谀Ｊ阶R(shí)別方法的困難在于如何表達(dá)相同故障的特征且必須具有大量系統(tǒng)的歷史樣本。 ? 基于神經(jīng)網(wǎng)絡(luò)的方法 人工神經(jīng)網(wǎng)絡(luò)（ ANN） 用于故障診斷主要有以下 4種形式 :(1)用神經(jīng)網(wǎng)絡(luò)產(chǎn)生殘差信號(hào)； (2)用神經(jīng)網(wǎng)絡(luò)進(jìn)行殘差評(píng)價(jià)分析； (3)利用神經(jīng)網(wǎng)絡(luò)作自適應(yīng)誤差補(bǔ)償； (4)直接利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷推理。由于 ANN具有記憶、自學(xué)習(xí)、和能擬合任意連續(xù)非線性函數(shù)的能力以及它的并行處理、全局作用的能力，使它在處理非線性問(wèn)題和在線估計(jì)等方面具有很強(qiáng)的優(yōu)勢(shì)，在復(fù)雜系統(tǒng)的故障診斷中得到了廣泛的重視。但是，用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷也存在一定的缺陷，該方法難以利用經(jīng)驗(yàn)知識(shí)進(jìn)行診斷，網(wǎng)絡(luò)結(jié)構(gòu)和規(guī)模的選取存有未知性，算法的收斂性、實(shí)時(shí)性、快速性難以保證等。 基于數(shù)據(jù)驅(qū)動(dòng)的方法 目前，工業(yè)過(guò)程通常擁有豐富的觀測(cè)變量數(shù)據(jù)，因此對(duì)過(guò)程進(jìn)行監(jiān)控時(shí)，可以以采集的過(guò)程數(shù)據(jù)為基礎(chǔ)，通過(guò)各種數(shù)據(jù)處理與分析方法 (如多元統(tǒng)計(jì)方法、聚類分析、小波分析等 )挖掘出數(shù)據(jù)中隱含的信息，從而指導(dǎo)生產(chǎn)，提高監(jiān)控系統(tǒng)的監(jiān)控能力，比較天津大學(xué)仁愛(ài)學(xué)院 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 5 符合流程工業(yè)的特點(diǎn)，通用性強(qiáng)。 基于數(shù)據(jù)驅(qū)動(dòng)的方法利用多變量統(tǒng)計(jì)過(guò)程控制技術(shù)將過(guò)程信息數(shù)據(jù)空間劃分為過(guò)程特征信息子空間以及殘差空間 [7]。特征信息子空間刻畫(huà)了整個(gè)過(guò)程正常運(yùn)行的狀態(tài)及其規(guī)律，而其殘差空間只涉及到過(guò)程極少的信息或一些噪聲信息。由于故障與過(guò)程特征信息之間存在內(nèi)在關(guān)系，當(dāng)故障發(fā) 生時(shí)，將會(huì)引起過(guò)程特征信息 在幅值和結(jié)構(gòu)等方面的變化，進(jìn)而在監(jiān)控模型中體現(xiàn)出與過(guò)程正常運(yùn)行狀況不同的性狀，由此完成對(duì)過(guò)程性能的監(jiān)控。根據(jù)在子空間中特征信息提取方式的不同，這類過(guò)程監(jiān)控的方法又可分為 : 主成分分析方法 (Principal Component Analysis, PCA) 、獨(dú)立成分分析法 (Independent Component Analysis, ICA)、偏最小二乘法 (Partial Least Square, PLS)等。 數(shù)據(jù)驅(qū)動(dòng)方法是建立在嚴(yán)格的統(tǒng)計(jì)研究基礎(chǔ)上的，其優(yōu)勢(shì)在 于它們能夠把 過(guò)程數(shù)據(jù)從高維空間投影到低維空間，并從中獲取重要的過(guò)程特征信息。通過(guò)統(tǒng)計(jì)分析方法計(jì)算過(guò)程信息中占主導(dǎo)地位的相關(guān)統(tǒng)計(jì)數(shù)據(jù)，提高復(fù)雜系統(tǒng)的過(guò)程監(jiān)控性能，減少企業(yè)不必要的損失。 基于數(shù)據(jù)驅(qū)動(dòng)的過(guò)程監(jiān)控方法不需要過(guò)程的精確解析模型，所獲得的理論成果和方法能夠較快地應(yīng)用于實(shí)際工業(yè)生產(chǎn)中。目前，基于數(shù)據(jù)驅(qū)動(dòng)的方法實(shí)現(xiàn)過(guò)程問(wèn)題更具有實(shí)際的意義。與此同時(shí)，在分析過(guò)程數(shù)據(jù)的同時(shí)我們也必須要考慮其過(guò)程數(shù)據(jù)質(zhì)量，大小，數(shù)據(jù)的時(shí)變性，數(shù)據(jù)的多尺度性，數(shù)據(jù)的非線性，數(shù)據(jù)的動(dòng)態(tài)特征等問(wèn)題。 本文研究的是 FPSO 流程工業(yè)生產(chǎn)過(guò)程監(jiān)控問(wèn) 題，采用基于數(shù)據(jù)驅(qū)動(dòng)的方法比較穩(wěn)妥，開(kāi)展基于數(shù)據(jù)驅(qū)動(dòng)的工業(yè)過(guò)程性能監(jiān)控的研究，是一個(gè)既有理論意義，又有很高應(yīng)用價(jià)值的研究課題。 基于多變量統(tǒng)計(jì)方法的過(guò)程監(jiān)控的研究現(xiàn)狀 流程工業(yè)中生產(chǎn)過(guò)程復(fù)雜，規(guī)模大，難以建立準(zhǔn)確的數(shù)學(xué)模型。另一方面，流程工業(yè)中傳感器獲取過(guò)程數(shù)據(jù)的更新速度快，均為實(shí)現(xiàn)基于多變量統(tǒng)計(jì)方法提供了基礎(chǔ)。多變量過(guò)程統(tǒng)計(jì)方法是在單變量統(tǒng)計(jì)的基礎(chǔ)上發(fā)展起來(lái)的，近幾年來(lái)多變量過(guò)程監(jiān)控方法在生產(chǎn)過(guò)程中得到了廣泛的研究與成功的應(yīng)用 [8]。 多變量過(guò)程統(tǒng)計(jì)方法主要采用各種投影降維方法來(lái)實(shí)現(xiàn)。投影算法的 基本思想是將由大量測(cè)量變量所張成的高維空間投影到低維主元變量或者隱變量模型空間，以便用更少的維數(shù)來(lái)描述整個(gè)過(guò)程的主要特征。 目前多元統(tǒng)計(jì)過(guò)程方法主要有主元分析、偏最小二乘、典型相關(guān)分析等，其中主元分析的理論研究較多。 PCA 方法在統(tǒng)計(jì)過(guò)程控制領(lǐng)域中應(yīng)用已經(jīng)較為普遍，并取得了良好的成果，但 PCA 只針對(duì)過(guò)程數(shù)據(jù)的二階統(tǒng)計(jì)特性，不能很好的刻畫(huà)過(guò)程數(shù)據(jù)的特征信息，所以基于主元分析的多元統(tǒng)計(jì)過(guò)程監(jiān)控方法在某些工業(yè)過(guò)程中的應(yīng)用不是很理想。并且需要指出的是：標(biāo)準(zhǔn)多元統(tǒng)計(jì)方法在推導(dǎo)過(guò)程中，一般作了如下假定： (1)過(guò)天津大學(xué)仁愛(ài)學(xué)院 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 6 程變量都服 從高斯正態(tài)分布； (2)過(guò)程處于穩(wěn)態(tài) (4)過(guò)程是線性的； 針對(duì)上述 PCA 方法的局限性， 作為 PCA 延伸的獨(dú)立分量分析 (ICA)作為近年來(lái)發(fā)展起來(lái)的一種新的統(tǒng)計(jì)信號(hào)處理方法 ,該方法同時(shí)還適用于過(guò)程信息非正態(tài)分布的情況。與PCA 相比，具有更高的通用性和適應(yīng)能力，符合實(shí)際過(guò)程的需要 ,具有更高的普遍意義。目前 ICA 在國(guó)外發(fā)展得比較快，在國(guó)內(nèi)起步不久 。 ICA 方法是 基于過(guò)程數(shù)據(jù)高階統(tǒng)計(jì)特性 的分析方法，可以有效的處理服從非高斯分布的過(guò)程數(shù)據(jù)，使得變換以后的各分量之間不僅互不相關(guān)，而且還盡可能地統(tǒng)計(jì)獨(dú)立，更好的 刻畫(huà)變量的概 率統(tǒng)計(jì)特性，抑制高斯噪聲 ， 展示了 ICA 方法在故障早期偵破中良好的應(yīng)用前景 [9]。 近些年來(lái)，隨著信號(hào)處理與模式識(shí)別技術(shù)的發(fā)展，在多元統(tǒng)計(jì)過(guò)程控制 (Multivariate Statistical Process Control, MSPC )領(lǐng)域涌現(xiàn)出許多新的方法，這些新興的理論不僅僅停留在降維的層面，而是通過(guò)對(duì)數(shù)據(jù)更深層內(nèi)涵的發(fā)掘達(dá)到過(guò)程監(jiān)控的目的。 本文主要研究?jī)?nèi)容 本文以 多變量統(tǒng)計(jì)過(guò)程控制理論 、小波變換為基礎(chǔ)，在此基礎(chǔ)上結(jié)合獨(dú)立成分分析的建模原理建立基于 ICA 的典型生產(chǎn)流程過(guò)程監(jiān)控系統(tǒng)。其主 要工作如下： (1) 將 作為后臺(tái)服務(wù)程序完成對(duì)離線過(guò)程信息的降噪分析及優(yōu)化的 ICA模型的建立，將仿真實(shí)時(shí)數(shù)據(jù)投影到該模型，采用 SPE 統(tǒng)計(jì)量、 2dI 統(tǒng)計(jì)量和 2eI 統(tǒng)計(jì)量完成生產(chǎn)過(guò)程故障的檢測(cè)。 (2) 以 MATLAB 為過(guò)程監(jiān)控平臺(tái)。應(yīng)用優(yōu)化的 ICA 模型對(duì)仿真實(shí)時(shí)數(shù)據(jù)進(jìn)行在線監(jiān)測(cè)，采用 DDE 動(dòng)態(tài)數(shù)據(jù)交換的方法將實(shí)時(shí)數(shù)據(jù)傳送到 MATLAB 后臺(tái)服務(wù)器程序計(jì)算 SPE 統(tǒng)計(jì)量、 2dI 統(tǒng)計(jì)量和 2eI 統(tǒng)計(jì)量實(shí)時(shí)值，并將與相應(yīng)的控制限相比判斷系統(tǒng)是否發(fā)生故障；使用變量貢獻(xiàn)圖確定故障變量，完成過(guò)程在線監(jiān)測(cè)與故障診斷。 根據(jù)以上內(nèi)容，本文安排如下： 第二章 基于獨(dú)立成分分析的過(guò)程監(jiān)控理論：主要介紹和分析了獨(dú)立分量分析方法的基本模型、約束條件，估計(jì)原理，通過(guò)對(duì)獨(dú)立成分分析估計(jì)原理的介紹，本文選取非高斯最大化中的近似負(fù)熵作為目標(biāo)函數(shù)，完成目標(biāo)函數(shù)的確立，提出改進(jìn)的快速 ICA 算法，解決了快速 ICA 算法中初值選擇的敏感性問(wèn)題。 第三章 小波降噪 獨(dú)立成分分析方法概 述：小波變換的基本理論分析及小波降噪原理分析。 第四章 建立小波分析和獨(dú)立成分分析相結(jié)合的基于小波降噪 獨(dú)立成分分析的過(guò)程監(jiān)控方法和過(guò)程監(jiān)控仿真模型，并在 MATLAB 中仿真分析。 第五章 總結(jié)與展望：綜合本文所做的工作分析其中的不足，并指出下一步工作的方向。天津大學(xué)仁愛(ài)學(xué)院 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 7 第二章 獨(dú)立成分分析法監(jiān)控理論 多數(shù)工業(yè)生產(chǎn)中，過(guò)程觀測(cè)信息很難完全服從高斯分布，針對(duì)傳統(tǒng)多變量統(tǒng)計(jì)過(guò)程監(jiān)控技術(shù)要求過(guò)程信息服從正態(tài)分布的約束性，本文提出基于獨(dú)立成分分析 (Independent Component Analysis, ICA )的過(guò)程 監(jiān)控方法，該方法不要求數(shù)據(jù)服從一定的分布條件，主要按照統(tǒng)計(jì)獨(dú)立的原則，從過(guò)程觀測(cè)信號(hào)中分離出統(tǒng)計(jì)獨(dú)立