【文章內(nèi)容簡介】 再由實測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，從而檢測和分離出故障。基于模式識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。178。 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；(2)用神經(jīng)網(wǎng)絡(luò)進(jìn)行殘差評價分析；(3)利用神經(jīng)網(wǎng)絡(luò)作自適應(yīng)誤差補償；(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題和在線估計等方面具有很強的優(yōu)勢，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)驗知識進(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、實時性、快速性難以保證等。 基于數(shù)據(jù)驅(qū)動的方法目前，工業(yè)過程通常擁有豐富的觀測變量數(shù)據(jù)，因此對過程進(jìn)行監(jiān)控時，可以以采集的過程數(shù)據(jù)為基礎(chǔ)，通過各種數(shù)據(jù)處理與分析方法(如多元統(tǒng)計方法、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，比較符合流程工業(yè)的特點，通用性強?；跀?shù)據(jù)驅(qū)動的方法利用多變量統(tǒng)計過程控制技術(shù)將過程信息數(shù)據(jù)空間劃分為過程特征信息子空間以及殘差空間[7]。特征信息子空間刻畫了整個過程正常運行的狀態(tài)及其規(guī)律，而其殘差空間只涉及到過程極少的信息或一些噪聲信息。由于故障與過程特征信息之間存在內(nèi)在關(guān)系，當(dāng)故障發(fā)生時，將會引起過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)出與過程正常運行狀況不同的性狀，由此完成對過程性能的監(jiān)控。根據(jù)在子空間中特征信息提取方式的不同，這類過程監(jiān)控的方法又可分為: 主成分分析方法(Principal Component Analysis, PCA)、獨立成分分析法(Independent Component Analysis, ICA)、偏最小二乘法 (Partial Least Square, PLS)等。數(shù)據(jù)驅(qū)動方法是建立在嚴(yán)格的統(tǒng)計研究基礎(chǔ)上的，其優(yōu)勢在于它們能夠把過程數(shù)據(jù)從高維空間投影到低維空間，并從中獲取重要的過程特征信息。通過統(tǒng)計分析方法計算過程信息中占主導(dǎo)地位的相關(guān)統(tǒng)計數(shù)據(jù)，提高復(fù)雜系統(tǒng)的過程監(jiān)控性能，減少企業(yè)不必要的損失?；跀?shù)據(jù)驅(qū)動的過程監(jiān)控方法不需要過程的精確解析模型，所獲得的理論成果和方法能夠較快地應(yīng)用于實際工業(yè)生產(chǎn)中。目前，基于數(shù)據(jù)驅(qū)動的方法實現(xiàn)過程問題更具有實際的意義。與此同時，在分析過程數(shù)據(jù)的同時我們也必須要考慮其過程數(shù)據(jù)質(zhì)量，大小，數(shù)據(jù)的時變性，數(shù)據(jù)的多尺度性，數(shù)據(jù)的非線性，數(shù)據(jù)的動態(tài)特征等問題。 本文研究的是FPSO流程工業(yè)生產(chǎn)過程監(jiān)控問題，采用基于數(shù)據(jù)驅(qū)動的方法比較穩(wěn)妥，開展基于數(shù)據(jù)驅(qū)動的工業(yè)過程性能監(jiān)控的研究，是一個既有理論意義，又有很高應(yīng)用價值的研究課題。 基于多變量統(tǒng)計方法的過程監(jiān)控的研究現(xiàn)狀流程工業(yè)中生產(chǎn)過程復(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)中傳感器獲取過程數(shù)據(jù)的更新速度快，均為實現(xiàn)基于多變量統(tǒng)計方法提供了基礎(chǔ)。多變量過程統(tǒng)計方法是在單變量統(tǒng)計的基礎(chǔ)上發(fā)展起來的，近幾年來多變量過程監(jiān)控方法在生產(chǎn)過程中得到了廣泛的研究與成功的應(yīng)用[8]。多變量過程統(tǒng)計方法主要采用各種投影降維方法來實現(xiàn)。投影算法的基本思想是將由大量測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)來描述整個過程的主要特征。目前多元統(tǒng)計過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)計過程控制領(lǐng)域中應(yīng)用已經(jīng)較為普遍，并取得了良好的成果，但PCA只針對過程數(shù)據(jù)的二階統(tǒng)計特性，不能很好的刻畫過程數(shù)據(jù)的特征信息，所以基于主元分析的多元統(tǒng)計過程監(jiān)控方法在某些工業(yè)過程中的應(yīng)用不是很理想。并且需要指出的是：標(biāo)準(zhǔn)多元統(tǒng)計方法在推導(dǎo)過程中，一般作了如下假定：(1)過程變量都服從高斯正態(tài)分布；(2)過程處于穩(wěn)態(tài) (4)過程是線性的；針對上述PCA方法的局限性，作為PCA延伸的獨立分量分析(ICA)作為近年來發(fā)展起來的一種新的統(tǒng)計信號處理方法,該方法同時還適用于過程信息非正態(tài)分布的情況。與PCA相比，具有更高的通用性和適應(yīng)能力，符合實際過程的需要,具有更高的普遍意義。目前ICA在國外發(fā)展得比較快，在國內(nèi)起步不久。ICA方法是基于過程數(shù)據(jù)高階統(tǒng)計特性的分析方法，可以有效的處理服從非高斯分布的過程數(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)計獨立，更好的刻畫變量的概率統(tǒng)計特性，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，隨著信號處理與模式識別技術(shù)的發(fā)展，在多元統(tǒng)計過程控制(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，而是通過對數(shù)據(jù)更深層內(nèi)涵的發(fā)掘達(dá)到過程監(jiān)控的目的。 本文主要研究內(nèi)容本文以多變量統(tǒng)計過程控制理論、小波變換為基礎(chǔ)，在此基礎(chǔ)上結(jié)合獨立成分分析的建模原理建立基于ICA的典型生產(chǎn)流程過程監(jiān)控系統(tǒng)。其主要工作如下： (1) ，將仿真實時數(shù)據(jù)投影到該模型，采用SPE統(tǒng)計量、統(tǒng)計量和統(tǒng)計量完成生產(chǎn)過程故障的檢測。(2) 以MATLAB 。應(yīng)用優(yōu)化的ICA模型對仿真實時數(shù)據(jù)進(jìn)行在線監(jiān)測，采用DDE動態(tài)數(shù)據(jù)交換的方法將實時數(shù)據(jù)傳送到MATLAB后臺服務(wù)器程序計算SPE統(tǒng)計量、統(tǒng)計量和統(tǒng)計量實時值，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，完成過程在線監(jiān)測與故障診斷。根據(jù)以上內(nèi)容，本文安排如下：第二章 基于獨立成分分析的過程監(jiān)控理論：主要介紹和分析了獨立分量分析方法的基本模型、約束條件，估計原理，通過對獨立成分分析估計原理的介紹，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題。第三章 小波降噪獨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 建立小波分析和獨立成分分析相結(jié)合的基于小波降噪獨立成分分析的過程監(jiān)控方法和過程監(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。13第二章 獨立成分分析法監(jiān)控理論多數(shù)工業(yè)生產(chǎn)中，過程觀測信息很難完全服從高斯分布，針對傳統(tǒng)多變量統(tǒng)計過程監(jiān)控技術(shù)要求過程信息服從正態(tài)分布的約束性，本文提出基于獨立成分分析(Independent Component Analysis, ICA )的過程監(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)計獨立的原則，從過程觀測信號中分離出統(tǒng)計獨立成分。本章從盲源信號分離的理論出發(fā)，進(jìn)而對ICA的數(shù)學(xué)模型、目標(biāo)函數(shù)、估計算法進(jìn)行了詳細(xì)地闡述。 ICA概述獨立成分分析是伴隨著盲源信號分離問題而發(fā)展起來一種基于過程信息的高階統(tǒng)計特性的分析方法[11]，獨立成分分析方法有較強的信號分析處理能力主要是從多元統(tǒng)計數(shù)據(jù)中尋求內(nèi)在統(tǒng)計獨立成分，與傳統(tǒng)的多元統(tǒng)計控制方法相比，一方面，ICA不需要變換后的獨立成分滿足正交條件；另一方面，ICA不僅去除了變量之間的相關(guān)性而且包含了過程觀測變量的高階統(tǒng)計特性, 能更好的刻畫變量的概率統(tǒng)計特性，抑制高斯噪聲，同時通過ICA方法得到的獨立成分分量滿足統(tǒng)計意義上的獨立性特點。再者，獨立成分分析方法，不要求數(shù)據(jù)服從特定的分布條件，具有更高的普遍意義，符合實際過程的需要，比PCA具有更高的通用性和適應(yīng)能力。ICA作為一種新的信號處理方法，在混合語音分離、生物醫(yī)學(xué)信號處理、金融數(shù)據(jù)處理、遙感圖像處理、無線通信信號處理、過程監(jiān)控等方面得到廣泛應(yīng)用[12]。ICA作為傳統(tǒng)多元統(tǒng)計過程控制方法(PCA)的延伸，以實際工業(yè)生產(chǎn)過程觀測數(shù)據(jù)為研究對象，其目的是從過程觀測信號中分離出統(tǒng)計獨立的源信號。從統(tǒng)計信號的角度來看，ICA利用過程觀測信號統(tǒng)計獨立的特性，通過確定一個非正交線性變換的分離矩陣W，使得混合信號變換后的輸出分量盡可能的統(tǒng)計獨立。 ICA的基本模型及約束條件 ICA的基本模型獨立成分分析是伴隨著盲源分離問題而發(fā)展起來的基于信號高階統(tǒng)計特性的一項新的信號處理方法，其目的是從線性觀測信號中恢復(fù)出統(tǒng)計獨立的源信號[13]。最早提出ICA概念的是Jutten和Herault。為了給出ICA的嚴(yán)格定義，我們可以使用統(tǒng)計上的隱變量模型，假設(shè)m個觀測變量,它們分別是n個非高斯分布的獨立成分變量的線性組合，其中，獨立成分分量和測量變量都是已經(jīng)均一化的數(shù)據(jù)，其原理模型如式(21)： (21) (22) (23)式中，為未知的混合矩陣；為m個變量觀測值；為n個獨立的非高斯源信號。每個測量值被分解成為一組獨立源的線性組合： (24)式(21)描述了觀測數(shù)據(jù)如何由獨立成分分量混合而成。在獨立成分分量和混合系數(shù)矩陣均未知，僅在過程觀測變量己知的情況下，目前我們要解決的問題正是如何在已知盡可能少的假設(shè)條件下，估計出和。而ICA的目的正是尋求分離矩陣，對源信號進(jìn)行估計，使得估計信號中盡可能的獨立 (25) 。 獨立分量分析方法的原理框圖 ICA的約束條件在已知觀測信號，而源信號和混合系數(shù)都未知的情況下，為確保獨立分量分析方法的順利進(jìn)行，使得式(21)的ICA模型能得到獨立成分分量相應(yīng)的估計值，必須要求它滿足一定的假設(shè)條件和約束條件。(1)獨立成分假定是瞬時統(tǒng)計獨立的統(tǒng)計獨立性是構(gòu)成獨立分量分析基礎(chǔ)的關(guān)鍵，但只要滿足該條假設(shè)，就可以建立ICA模型，這是ICA方法可以應(yīng)用于眾多領(lǐng)域的原因之一。對于隨機變量，如果任意的隨機變量和之間，包含的信息與的值無任何關(guān)系，那么則稱相互獨立[14]。從概率統(tǒng)計學(xué)的角度來看，獨立可以通過概率密度來定義。在概率統(tǒng)計中，設(shè)兩個隨機變量和，其概率密度函數(shù)和聯(lián)合概率密度函數(shù)分別是，當(dāng)且僅當(dāng)下式成立時 (26)隨機變量和是統(tǒng)計獨立的。這個定義可以擴展到個隨機變量的情況。定義為聯(lián)合概率密度函數(shù)，為的邊緣概率密度函數(shù)。如果隨機變量滿足獨立條件，則聯(lián)合概率密度函數(shù)等于各邊緣概率密度函數(shù)的乘積。即 (27)在實際應(yīng)用中，由于隨機變量的概率密度函數(shù)很難獲得，因此一般并不采用嚴(yán)格的理論證明，而是根據(jù)源信號產(chǎn)生的實際背景進(jìn)行判斷。通常各個源信號是由不同的實際物理系統(tǒng)發(fā)出的，它們之間沒有必然的聯(lián)系，可以認(rèn)為滿足統(tǒng)計獨立的約束條件。(2) 獨立成分分量必須具有非高斯的分布，或者至多存在一個獨立成分分量服從高斯分布。高階統(tǒng)計信息對于估計ICA模型來說是必須的，獨立成分分析主要是依據(jù)過程觀測變量的高階統(tǒng)計信息來估計ICA基本模型。高斯分布的高階累積量都為零，而且高斯變量的線性組合仍然服從高斯分布，由此可見在混合前后其高階統(tǒng)計信息沒有區(qū)別，這樣就導(dǎo)致無法從混合信號中分離出統(tǒng)計獨立的源信號，所以，如果觀測變量是服從高斯分布，ICA模型就無法被估計。在ICA基本模型中，并不需要假定獨立成分分量服從何種分布，如果能已知，則問題會變的相當(dāng)簡單。(3) 觀測變量的維數(shù)不小于獨立成分分量的維數(shù)觀測信號的數(shù)目多于獨立源信號時，能夠獲得包含所有獨立源信號的信息，這樣利用獨立成分分析方法對過程信息進(jìn)行分析獲取統(tǒng)計獨立的源信號時，能更好的刻畫變量的概率統(tǒng)計特性，就可以得到較為準(zhǔn)確的結(jié)果。由于實際工業(yè)過程中可以采集到大量的觀測數(shù)據(jù)，該約束條件在實際工業(yè)生產(chǎn)中也具有可行性，這樣不但提高了測量的可靠性，也為ICA提供了豐富的觀測信號。 ICA的估計原理根據(jù)前面建立的ICA模型和獨立性概念，可知獨立分量分析就是尋找一個變換矩陣作用于混合信號，使得輸出信號統(tǒng)計獨立。下面主要介紹對ICA模型進(jìn)行估計的不同計算方法。當(dāng)前使用的方法主要有非高斯的最大化、互信息的最小化和最大似然函數(shù)估計。 非高斯最大化非高斯性在ICA模型的估計中扮演著極為重要的角色，如果沒有非高斯性，ICA估計根本無法實現(xiàn)，因此，非高斯性可用于ICA估計并作為其中的關(guān)鍵。概率論中的中心極限定理表明，在一定的條件下，獨立隨機變量的和趨于高斯分布，它比原始隨機變量中的任意一個更趨于高斯分布；反之，則任意一個原始隨機變量比隨機變量的和更偏離高斯分布[15]。在獨立成分分析的模型中，觀測信號是由獨立源信號的線性組合，它比任意一個獨立源信號更接近于高斯分布，可用分離信號的非高斯性作為分離信號間獨立性度量。如果尋求向量作用于混合信號，使得變換后的結(jié)果盡量偏離高斯分布，即非高斯最大化，即可以得到統(tǒng)計意義上的一個獨立源信號。同理按照此規(guī)則可以分離出余下獨立源信號。也就是說最大化信號的非高斯性和獨立性是一致的，這也就是所謂的“非高斯性就是獨立性”。當(dāng)源信號被假設(shè)為相互獨立并且不具有時間結(jié)構(gòu)時，采用高階統(tǒng)計量作為獨立性、非高斯性的度量。此時，源信號中最多只能有一個高斯信號。估計非高斯性的測量標(biāo)準(zhǔn)有是峭度和負(fù)熵。(1) 基于峭度的非高斯性度量峭度是隨機變量的四階累計量的另一種叫法，是一個高階累計量，主要引用高階多項式方差的泛化，是一種經(jīng)典的非高斯度量。隨機變量的峭度kurt(y)被定義為: (28)注意上式中的所有隨機變量都假定是零均值的。為了簡化問題，我們還