统计过程监控综述.pdf

《统计过程监控综述.pdf》由会员分享，可在线阅读，更多相关《统计过程监控综述.pdf（3页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第2 l S g第3 期 2 0 0 9年 6月 沈 阳 大 学 学 报 J OURNAL OF S HENYANG UNI VERS I TY Vo 1 2 1 No 3 J u n 20 0 9 文章编号：1 0 0 8 9 2 2 5(2 O 0 9)0 3 0 1 0 1 0 3 统计过程监控综述 万福 才，鄂佳(沈阳大学 信息工程学院，辽宁 沈阳 1 1 0 0 4 4)摘 要：在介绍过程监控主要内容及方法的基础上，归纳分析了统计过程监控的发展，详细阐述了传统 的 P C A、P C R、P L S、F D A、HMM 和几种改进的 P C A方法 指出，将人的经验和专家知识融人到

2、P C A统计过程 监控，提高 P C A的故障检测、隔离能力，完善故障诊断与评价能力，将是一个有价值的研究方向 关键词：统计过程监控；P C A；数据驱动 中图分类号：T P 3 1 1 文献标识码：A 连续工业生产过程，如石化、电力、冶金等行 业，生产通常处于高温高压或低温真空等极端环 境 如操作不当，由于疏于检测或自然因素，时有 生产 中断、爆炸、毒气泄漏的危险，不仅给生产带 来巨大损失，而且严重威胁着社会安全 因此，使 这些生产过程安全正常运行，成为人们密切关注 过程监控技术及质量控制技术的主要动因 此外，工业过程规模的不断扩大、过程工艺 日益复杂以 及巨大的投资，也都迫使人们不得不考

3、虑过程的 可靠性和安全性 可见，过程监控研究是一个既有 理论挑战性，又有很高应用价值的研究课题 1 1 过程监控及方法 1 1 基本概念 工业过程统计性能监控隶属于故障检测和诊 断(F a u l t D e t e c t i o n a n d D ia g n o s is，F D D)的研究范 畴 F D D是 一 门应 用很广 泛 的技 术，在航 天、电 力、管线运输、机器人、离散制造及化工生产等领 域都得到了深入的研究_ 1 J (1)故障(F a u lt)故障被定义为“系统中至少 一个特性或变量 的一种 不允许 的偏 离”_ 2 j，是 指 过程中发生的不正常现象【3 J 在影

4、响程度上，它 可能会使相应部分性能降低，甚至可能完全崩溃(b r e a k d o w n，f a il u r e)L4 J 故障的来源可以分为：传 感器故障、执行器故障、过程参数故障、干扰参数 故障 5 1 (2)过程监控(P r o c e s s Mo n i t o r i n g)为了保 证过程运行状况满足给定的性能指标，需要对过 程中可能发生的故障进行实时检测、诊断与消除，在流程工业 中被称为过程监控 一般包括四个步 骤：故障检测(F a u lt D e t e c t io n)、故障识别(F a u l t I d e n t i f i c a t i o n)、故障诊

5、断(F a u l t D ia g n o s i s)、过程 恢复(P r oce s s Re c o v e r y)6-7 J 图 1 过程监控 买施 图 1 2 监控方法 根据对先验知识利用方式(即故障建模方法)的不同，把过程监控分为：基于定量模型的方法、基于定性模型的方法和基 于数据驱动的方法 8(1)基于定量模 型的方法 也称基 于解析模 型的方法，它所需要的先验知识是过程的机理模 型 包括参数估计法、状态估计法和等价空间(P a r i t y s p a c e)法，或 称 等 价 关 系 法(P a r i t y r e l a t i o n s)(2)基于定性模型

6、的方法 也称基于知识 的 方法 9 不需要过程的精确数学模型，而是通过 定性的因果关系模型(如故障树和符号定向图)、抽象递阶知识树以及专家系统等模型，定性地描 述过程中各单元之间的连接关系、故障传播模式 等过程知识 并在故障出现后，通过推理、演绎或 模式识别，自动完成故障定位和诊断工作(3)基于数据驱动的方法 在建立模型时仅 收稿 日期：2 0 0 8 1 2 1 0 基金项 目：国家 自然科学基金资助项目(6 0 2 7 4 0 2 7)作者简介：万福才(1 9 6 7一)，男，辽宁法库人，沈阳大学教授，博士 1 0 2 沈阳大学学报 第 2 1 卷 需要过程中的历史数据，通过数据分析处理方

7、法 挖掘其中的信息，获取正常操作和故障的特征模 式，进而指导生产操作 1 3 过程监控各方法比较 基于定量模 型故 障诊断方法 的性能，在很大 程度上依赖于过程解析模型的准确程度，通常局 限于变量数 目 少，且只具有简单动态特性的过程 基于定性模型的方法诊断能力较好，但通用性比 较差，通常需要结合具体的应用对象 基于数据驱 动的方法只需要过程的数据，通用性较强，比较适 合于流程工业对象的故障检测和诊断，但由于未 充分利用模型信息、设备连接关系等过程的先验 知识，对故障的定位和诊断能力相对较弱 2 统计过程监控的发展 统计 过 程 监 控(S t a t i s t i c a l P r o

8、c e s s C o n t r o l，S P C)的发展经历了单变量统计过程监控和多变 量统计过程监控两个阶段l 1 0 J 2 1 单变量统计过程监控 统计过程监控 的思想最早在 2 0世纪初 己经 提 出 除了早期 S h e wh a r t(1 9 3 1)提出的 X 控制 图(测 量 变 量 对 时 间作 图)，还 包 括：MA(Mo v i n g A v e r a g e)控制 图，即测量变量 的滑 动平 均对时间 作 图；E WMA(E x p o n e n t i a l ly We ig h t e d Mo v i n g A v e r a g e)控制图，即

9、变量的指数加权滑动平均值 对时间作图；C U S U M(C u m u l a t i v e S u m)控制图，即测量值与目标值偏差的累加和对时间作图 2 2 多变量统计过程监控 多变量统计过程监控由很多方法组成，主要 包括各种投影降维方法 最常用的有主元分析、主 元回归、偏最小二乘、典型相关分析、费舍判别式 分析、隐马尔可夫模型以及对传统方法的改进(1)主 元 分 析 法(P r i n c i p a l C o mp o n e n t An a l y s i s，P C A)基本思想是：寻找一组新变量来 代替原变量，新变量是原变量的线性组合 从优化 的角度看，新变量的个数要 比

10、原变量少，并且最大 限度地携带原变量的有用信息，且新变量之间互 不相关 按获取数据的变化度来说是最优的(2)主 元 回 归 法(P r i n c i p a l C o mpon e n t R e g r e s s io n，P C R)是主元分析的一个简单扩展 在一般的最小二乘回归中，系统的输出是用测量 变量进行回归；而在 P C R中，系统的输出用主元 分析的得分进行回归 除了有与 P C A相同的监控 能力外，还具有预测能力 与传统的最小二乘回归 相比，具有更好的预测能力 (3)偏 最 小 二 乘 法(P a r t i a l L e a s t S q u a r e，P L

11、S)对数据矩阵 x和输出矩阵 y的分解是逐 步迭代交换进行的 通过输入矩阵与输出矩阵之 间相互交换分解信息，找到最优的特征方向，这种 最优是建立在从输入空间到输出空间的预测能力 上的 P L S用于过程监控的步骤与 P C A类似 (4)费 舍 判 别 式 分 析(F i s h e r Di s c r i mi n a n t A n a l y s is，F D A)是一种线性降维技术，它把各类 最大程度地分离 就故障诊断来说，首先从发生故 障的设备中采集数据，然后把这些数据分成类，其 中每一类包含着表示某一特定故障的数据 从这 点来讲，F D A是最优的，它确定了一系列的线性 变换 向

12、量 这些 向量按照最大化类 间离散度和最 小化类 内离散度的准则进行排列_ 1 (5)隐马尔可夫模型(Hid d e n Ma r k o v Mo d e l，H，I M)是一种描述 随机过程统计特性 的概率模 型，由马尔可夫链演变而来 实际上是一种状态隐 含，观察序列可见的双随机过程，对应的有限马尔 可夫状态是隐含的，所能见 到的是与这些状态依 概率相关的一系列观察值，通过特征空间的概率 函数描述观察值_ 1 H MM不仅状态到状态之间 的转移是随机的，而且每一状态 的观测符号也 随 机，不仅可以测量数据的序列相关性，还能测量数、据的非高斯性 以及测量过程 中随机 因素的影 响 1 3 (

13、6)动态方面的改进 传统的多变量统计过 程监控并没有考虑系统的动态特性，是静态建模 的方法 但对于工业过程而言，大多数都存在动态 特性，测量变量并不是序列无关的，当前时刻的测 量变量与过去若干时刻的测量变量都有关系 通 过计算各变量的自相关系数，可以确定各变量的 时滞常数 K u等在 1 9 9 5年提出动态主元分析方 法(D y n a mi c P r i n c i p a l Comp o n e n t An a l y s i s，D P C A)动态主元分析虽然较好地解决了数据的 动态性问题，但仍是一种线性化的建模方法(7)非线性 方 面的改进 P C A，P C R及 P L

14、S 都是线性化的建模方法，而实际工业过程本质上 都是非线性的 基于神经网络的非线性 P C A E 1 5 J(N o n li n e a r P C A，N L P C A)方法所使用的模型是一 个五层的神经网络 由于 中间层(瓶颈层)的神经 元个数要小于输入层，类似于 P C A中主元的个数 少于原始变量的个数，而瓶颈层的输出即为非线 性主元，因此称为非线性 P C A (8)非静态方面的改进 许多工业过程并不 是静态的 由于原料性质、外界环境、过程负荷的 改变以及设备磨损等因素，导致工业过程的操作 条件是多变的 基于递归的方法，基本原理是将新 第 3期 万福才等：统计过程监控综述 1

15、0 3 的测量数据以一定权值包含到待处理的数据矩阵 中，这些权值一般是指数减小的 也就是说，随着 过程的进行，历史数据对 当前数据矩 阵的影响逐 渐减少 这一思想与带遗忘因子的最小二乘辨识 算法类似，当前时刻的数据具有最大的权值，而离 当前时刻越远时刻的数据具有越小的权值 (9)尺度方面的改进 B a k s h i 提 出的多尺度 P C AE 1 6 J(Mu l t i s c a l e P C A，MS P C A)，利用 小波将 每一信号分解为多个尺度上的信号，在每一尺度 上分别建立相应的模型 在该方法中，每一尺度 上 的小波系数用 P C A进行建模，剔除相应 于噪 声部分的小波

16、系数，然后在此基础上重构出原始 信号 艾这一方法实质上是在频率域上建立多个 模型，突破了传统时间尺度上单个模型的建模，在一定程度上也克服了非线性的影响 3 结 语 面对应用过程中出现的各种实际问题，不少 经过改进和扩展 的统计方法陆续被提 出 在基 于 P C A的过程监控领域，P C A统计过程监控 中人的 知识和决策问题值得进一步研究 基于解析模型 的监控方法一般都只能把故障定位到一个变量或 变量子集，而不能进一步找到故障原因，实现故障 诊断，更难以实现故障的评价与恢复 因此，如何 结合人工智能、专家系统等理论，将人的经验和专 家知识有效地融入到P C A统计过程监控中，以提 高P C A

17、的故障检测、隔离能力，完善 目前不具备 的故障诊断与评价能力，是很有意义 的研究课题 参考文献：1 李荣雨 基于 P C A的统计过程监控研究 D 杭州：浙江 大学，2 0 0 7 2 I s e r ma n n R，B al l e P T r e n d s i n t h e a p p l i c a t i o n o f m o d e l b a s e d f a u l t d e t e c t i o n a n d d i a g n o s i s o f t ech n i ca l p r oce s s e s J C o n t r o l En g in

18、e e r i n g P r a c t i c e，1 9 9 7，5(5)：7 0 9 7 1 9 3 P o u l M F F a u l t d i a g n o s i s in d y n a m i c s y s t e m u s i n g a n a l y t i c a l a n d k n o wl e d g e-bas e d r e d u n d a n c y：a s u r v e y an d s o me n e w r e s u l t s J Au t o ma t i c s，1 9 9 0，2 6(3)：4 5 94 7 4 4 J

19、 ana s GF a u l t d e t e c t io nand d i a g n o s i s i n e ngin e e ri ng s y s t e ms M N e w Y o r k：Ma r c e l D e k k e r，1 9 9 8 5 P a r t h a s a r a t h y K，J a y H L D i a g n o s t i c t o o l s f o r m u l t i v a r i a b l e mode l-bas e d c o n t r o l s y s t e ms J I n d u s t ri al

20、&Engin eer in g C h e mi s t r yR e s e a r c h，1 9 9 7，3 6(7)：2 7 2 5 2 7 3 8 6 周东华，叶银忠 现代故障诊断与容错控制 M 北京：清华大学 出版社，2 0 0 0：3 05 5 7 A n n e R，A l i C S t a t i s t i c a l p r o c e s s m o n i t o ri ng and d i s t u r b a n c e d i a g n o s i s i n mult i v a ri a b l e c o n t i n u o u s p r o

21、c e s s e s J AI C h E J o u r n a l，1 9 9 6，4 2(4)：9 9 5 1 0 0 9 8 C h i a n g L H，R u s s e l l E L，B r a a t z R D F a u l t d e t e c t i o n a n d d i a g n o s i s in i n d u s t ri al s y s t e ms M L o n d o n：S p r in g e r-Ve r l a g，2 0 0 1：3 5 43 6 3 9 V e n k a t V，R a g h una t h a n R

22、：S u r y a NK A r e v i e wo f p r o c e s s f a u l t d e t e c t i o n and d i a g n o s is：p a r t II：q u a l i t a t i v e mode l s and s e a r c h s t r a t e g i e s J Com p u t e r s&C h e mic a l E ngin e e r i ng，2 0 0 3，2 7(3)：3 1 33 2 6 1 0 郭明 基于数据驱动的流程工业性能监控与故障诊断研 究 D 杭州：浙江大学，2 0 0 4 1 1

23、 蒋浩天 工业系统的故障检测与诊断 M 北京：机械工 业 出版社，2 0 0 3：5 2 1 2 周韶园 基于H MM 的统计过程监控研究 D 杭州：浙江 大学，2 0 0 5 l 3 Ra b i n e r L RA t u t o ri al o n Nd d e n Ma r k o v mode l s a n d s e l e c t ed a p p l i c a t io n s i n s p e e c h r ec o g n i t io n J P r oc o f t h e I E E E，1 9 8 9，7 7(2)：2 5 72 8 6 1 4 wf u

24、K，Ro b e r t H S，C h r i s t os GDis t u r b a n c e d e t ect io n and i s o la t io n b y d y n a mi c p ri n c i p a l comp o n e n t a n a l y s i s J Ch e mo me t r i es an d I n t e l l ig e n t La b o r a t o r y S y s t e ms，1 9 9 5，3 0 (1)：1 7 91 9 6 1 5 Mark A K N o n l i n e a r p r i n c

25、 i p a l c o m pon e n t a n a l y s i s us i ng a u t o a s s o c i a t i v e n e ural n e t w o r k s J MC h E J o u r n a l，1 9 9 1，3 7(2)：2 3 32 4 3 1 6 B bav i k R B Mu l t i s c a l e P C A w i t h a p p l i cat i o n t o mu l t i v a r i a t e s t a t i s t i c a l p r oce s s m o n i t o r i

26、 ng J A I C h E J o u r n a l，1 9 9 8，4 4 (1)：1 5 9 61 6 1 0 A S u mma r y o f S t a t i s t i c a l Pr o c e s s M o ni t o r i n g N F c a i E J i a (C o l l e g e o f I n f o r ma t i o n E n g i n e e r i n g，S h e n y a n g Un i v e r s i t y，S h e n y a n g 1 1 0 0 4 4，C h i n a)Ab s t r a c t

27、：Th e ma i n c o n t e n t s a n d me t h o d s o f p r o c e s s mo n i t o r i n g a r e i n t r od u c e d Th e d e v e l o p me n t o f s t a t i s t i c a l p r o c e ss mo n i t o r i n g i s a n a l y z e d Th e t r a d i t i o n a l P(，P CR，P LS，F 1 )A，HMM a n d s o me i mp r o v e d PC A me

28、 t h o d s a r e e l a b o r a t e d i n d e t a i l s S o me c o n c l u s i o n s a n d f u r t h e r r e s e a r c h wo r k s a r e g i v e n A v a l u a b l e r e s ear c h d i r e c t i o n i s幻 comb i n e t h e h u ma n e x p e r i e n c e a n d e x p e r t k n o wl e d g e wi t h PC A s t a t

29、 i s t i c a l p r o c e s s mo n i t o r i n g t o r a i s e t h e P CA a b i l i t y o f f a u l t d e t e c t i o n a n d i s o l a t i o ni mp r o v i n g t h e c a p a c i t y o f f a u l t d i a g n o s i s a n d e v a l u a t i o n Ke y wo r d s：S t a t i s t i c a l p r oce s s mo n i t o r i n g；p r i n c i p a l c o mp o n e n t a n a l y s i s；d a t a-d r i v e n 【责任编辑杨敏】