基于HMM的統(tǒng)計(jì)過程監(jiān)控研究.pdf

1、隨著集散控制系統(tǒng)(DCS)在工業(yè)現(xiàn)場(chǎng)中的廣泛應(yīng)用以及測(cè)量技術(shù)不斷提高，大量的過程數(shù)據(jù)被采集并存儲(chǔ)下來。由于不需要建立過程機(jī)理模型，基于數(shù)據(jù)的過程監(jiān)控方法近幾年來成為過程控制領(lǐng)域的研究熱點(diǎn)之一。理論上，過程數(shù)據(jù)包含任意時(shí)刻過程運(yùn)行狀況的完全描述，關(guān)鍵在于選擇有效，方便的方法來提取和解釋數(shù)據(jù)中的重要信息，從中不僅發(fā)現(xiàn)過程異常，而且還能分離出異常的根源。基于模式識(shí)別的過程監(jiān)控方法主要由兩步組成，第一步是從大量數(shù)據(jù)中提取過程特征信息；第二步使用

2、分類器對(duì)過程特征信息進(jìn)行匹配分類，檢測(cè)和識(shí)別出過程中存在的故障。 本論文運(yùn)用小波變換和主元分析(PrincipalComponentAnalysis，PCA)等方法對(duì)特征提取進(jìn)行系統(tǒng)、深入的研究，基于隱馬爾可夫模型(HiddenMarkovModel,HMM)進(jìn)行過程故障識(shí)別，提出一些新的過程監(jiān)控和故障診斷方法，具體包括： 1.提出一種基于小波變換和PCA的兩步特征提取方法。通過小波變換的多尺度分析，提取過程數(shù)據(jù)的局部時(shí)

3、頻信息；使用PCA消除數(shù)據(jù)之間的統(tǒng)計(jì)相關(guān)性，達(dá)到優(yōu)化降維目的。與PCA方法相比，經(jīng)過兩步特征提取方法得到的主元特征序列能更好地表征過程運(yùn)行狀況的本質(zhì)特征信息。 2.使用HMM構(gòu)建主元特征序列的統(tǒng)計(jì)模型。采用HMM的混合高斯分布函數(shù)和狀態(tài)轉(zhuǎn)移概率分別描述主元特征序列的非高斯性以及序列相關(guān)性；CSTR過程的仿真結(jié)果表明，基于HMM構(gòu)建的主元特征序列的統(tǒng)計(jì)模型能夠準(zhǔn)確描述數(shù)據(jù)中的本質(zhì)特征信息。 3.使用HMM進(jìn)行故障識(shí)別研究。

4、首先，使用過程歷史數(shù)據(jù)訓(xùn)練得到各種過程故障工況對(duì)應(yīng)的HMM；然后，通過小波變換和PCA從測(cè)試數(shù)據(jù)中提取主元特征序列；最后，應(yīng)用HMM對(duì)主元特征序列進(jìn)行分類，識(shí)別出過程中存在的故障類型。TennesseeEastman過程的仿真結(jié)果表明，這種方法能對(duì)過程中出現(xiàn)的各種故障進(jìn)行準(zhǔn)確的分類和識(shí)別。 4.提出一種基于HMM的過程監(jiān)控方法。PCA等大多數(shù)統(tǒng)計(jì)監(jiān)控方法假設(shè)過程數(shù)據(jù)服從獨(dú)立同分布，這在實(shí)際應(yīng)用中很難滿足。由于HMM具有雙重隨機(jī)特

5、性，它不僅能夠表征數(shù)據(jù)的動(dòng)態(tài)特性，而且對(duì)數(shù)據(jù)非高斯性也有很強(qiáng)的描述能力。因此基于HMM的過程監(jiān)控方法不需對(duì)數(shù)據(jù)分布做上述假設(shè)。使用移動(dòng)時(shí)間窗口截取過程動(dòng)態(tài)數(shù)據(jù)，可避免PCA方法根據(jù)單一數(shù)據(jù)點(diǎn)進(jìn)行過程監(jiān)控所造成的數(shù)據(jù)信息不足缺陷，有利于提高故障檢測(cè)和診斷的準(zhǔn)確性。TennesseeEastman過程的仿真結(jié)果表明，基于HMM的過程監(jiān)控方法比PCA方法具有更強(qiáng)的故障檢測(cè)和識(shí)別能力。 5.提出一種基于HMM和變長(zhǎng)度移動(dòng)時(shí)間窗口的在線故

6、障診斷方法。對(duì)于包含大量過程數(shù)據(jù)和眾多故障類型的復(fù)雜工業(yè)過程，要選擇一個(gè)合適長(zhǎng)度的固定長(zhǎng)度移動(dòng)時(shí)間窗口十分困難，為此提出一種變長(zhǎng)度移動(dòng)時(shí)間窗口，即窗口長(zhǎng)度可以隨著時(shí)間發(fā)生變化。當(dāng)檢測(cè)到過程異常后，使用變長(zhǎng)度移動(dòng)時(shí)間窗口截取過程動(dòng)態(tài)數(shù)據(jù)，窗口長(zhǎng)度隨著時(shí)間不斷增長(zhǎng)，從而可以包含更多的過程故障信息，有利于對(duì)過程故障做出更為準(zhǔn)確、快速的識(shí)別與診斷。TennesseeEastman過程的仿真結(jié)果表明，基于HMM和變長(zhǎng)度移動(dòng)時(shí)間窗口的在線故障診斷方