论文摘要资料文件与下载

基于数据驱动技术及因果分析的工业过程监控方法

博士研究生:江奔奔

指导教师:黄德先研究员

所属院系:自动化系

论文摘要

随着工业生产效率、节能环保等工业需求的日益增长，规模庞大且结构复杂的工业过程日益增多。这些过程一旦发生故障会造成巨大的经济损失并对生产安全形成威胁，因此利用过程监控技术来提高工业过程的可靠性和安全性具有重要意义。本文研究的主要问题是如何提高工业过程故障监控的准确性和快速性。围绕这一问题，本文重点研究了基于数据驱动技术和因果分析的故障监控方法。全文的主要内容和贡献如下：

为了能够有效增加故障识别的准确性，本文提出了一种基于规范变量分析(CVA)的贡献图方法，进一步根据监控统计量分别在规范变量空间和残差空间中的变化情况定义了两种故障贡献值。据此，将故障变量划分为状态空间属性故障变量和残差空间属性故障变量，可以有助于加深对工业故障特性的理解。理论分析和案例研究表明结合使用这两种故障贡献值能够更加有效地进行故障识别。

为了进一步诊断引起故障的根原因和提高故障诊断的准确率和快速性，本文还提出了一种综合CVA和费舍尔判别分析(FDA)的故障诊断方法——CVA-FDA。该方法先利用融入数据重叠度因素的改进CVA算法对数据进行预处理，然后再用FDA算法进行故障诊断，并进一步研究了在CVA降维变换中如何选取最优的时滞阶次l和CVA降维阶次a_CVA，使得经过预处理后的数据在后续的FDA诊断故障中更充分地利用数据间的动态信息并降低计算量。

为了适用于不能事先获知故障数据集情况的应用需求，同时考虑过程关联结构故障，本文提出了一种综合数据驱动技术CVA和因果分析的故障监控方法。另外，本文进一步分析了因果信息在特征表示以及故障监控尤其是故障溯源方面的重要作用。理论分析和案例研究表明所提出的基于因果依赖(CD)特征表示的CVA监控方法能够有效提高故障监控的性能，尤其对于多故障类型的情形而言。

本文还提出了一种闭环辨识方法以及基于此的因果分析方法——Interleaved Data Pair Upper Diagonal (IDPUD)算法，只需要经过一步矩阵UD分解就能够同时辨识所有变量通道的模型（包括模型阶次和模型系数）。该方法既可以提高计算效率，又可以同时确定变量的因果关系以及具有因果关系变量之间的通道模型。这一算法为解决综合数据驱动技术与因果分析监控方法需要事先已知过程因果信息的问题提供了一个良好的解决途径。