【摘要】：對(duì)于工業(yè)過程系統(tǒng)而言,數(shù)據(jù)模型要求建立與過程知識(shí)之間的良性循環(huán)。無論系統(tǒng)規(guī)模大小、線性程度、噪聲強(qiáng)弱、開環(huán)運(yùn)行或閉環(huán)運(yùn)行,過程動(dòng)態(tài)始終存在,是流程工業(yè)中最為本質(zhì)的特性,也是過程最普遍的先驗(yàn)知識(shí),這是由過程設(shè)備本身的慣性以及反饋控制的普遍應(yīng)用決定的。因此,解決好動(dòng)態(tài)過程的數(shù)據(jù)建模與監(jiān)測(cè)問題具有重要意義�；仡欉^去在動(dòng)態(tài)過程監(jiān)測(cè)上的研究工作,其主要局限于假定工況信息已知、側(cè)重于開環(huán)動(dòng)態(tài)、簡(jiǎn)單非線性等問題上,離解決實(shí)際工業(yè)過程中存在的問題依然有一定距離。本文在已有工作的基礎(chǔ)上,從工業(yè)實(shí)際需求出發(fā),重點(diǎn)解決以下幾個(gè)問題:(1)針對(duì)未知混合工況的多變量時(shí)間序列數(shù)據(jù),以過程動(dòng)態(tài)性為特征,提出了一套動(dòng)態(tài)系統(tǒng)識(shí)別與分割,動(dòng)態(tài)性能評(píng)估與診斷的技術(shù)。以動(dòng)態(tài)模型之間的距離為分割指標(biāo),采用區(qū)間半分法和滑動(dòng)窗結(jié)合的方法,可以快速有效定位出不同動(dòng)態(tài)系統(tǒng)之間的分割點(diǎn),并且該方法采用基于動(dòng)態(tài)特征的距離而非傳統(tǒng)方差協(xié)方差等指標(biāo)劃分工況,能更準(zhǔn)確地挖掘工況信息。同時(shí),動(dòng)態(tài)性能指標(biāo)被提出用以評(píng)估各個(gè)工況的運(yùn)行性能,尋找歷史數(shù)據(jù)中的最優(yōu)工況。最后,稀疏貢獻(xiàn)方法被提出以解決性能診斷問題,相比于傳統(tǒng)基于變量貢獻(xiàn)的方法,稀疏化之后的貢獻(xiàn)能提高診斷準(zhǔn)確率,具備更可靠的診斷結(jié)果。目前,許多高級(jí)數(shù)據(jù)建模工具都建立在工況信息已知的情況下,而該套工況劃分方案也可作為這些數(shù)據(jù)技術(shù)的重要數(shù)據(jù)預(yù)處理步驟。(2)以閉環(huán)反饋系統(tǒng)為研究對(duì)象,分析了當(dāng)前多變量統(tǒng)計(jì)分析方法在閉環(huán)過程監(jiān)測(cè)中的本質(zhì)缺陷,提出了閉環(huán)系統(tǒng)各個(gè)組件的故障定位方法以及基于過程滯后信息和輸出過采樣的故障診斷技術(shù)。傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)的監(jiān)測(cè)技術(shù)大部分都假設(shè)開環(huán)數(shù)據(jù),或不區(qū)分開環(huán)和閉環(huán)數(shù)據(jù),在該研究中,利用閉環(huán)數(shù)據(jù),分析了動(dòng)態(tài)主元分析的故障檢測(cè)與故障重構(gòu)性能,證明了控制約束會(huì)導(dǎo)致故障檢測(cè)和故障重構(gòu)性能下降。對(duì)于具備純滯后環(huán)節(jié)的被控過程,提出了基于反饋不變量的傳感器故障診斷方法。對(duì)于不具備過程滯后先驗(yàn)知識(shí),且面對(duì)一般性故障,提出了輸出過采樣的故障診斷解決方案。特別地,在子空間形式下,通過移位采樣可以將閉環(huán)模型重塑為開環(huán)模型,實(shí)現(xiàn)有效的過程監(jiān)測(cè)。以上解決方案不需要通過施加外部激勵(lì)提取開環(huán)模型,解決了以故障重構(gòu)貢獻(xiàn)為基礎(chǔ)的閉環(huán)故障診斷難題。考慮到變量貢獻(xiàn)只能定位到故障變量或故障回路,為提供更豐富的故障診斷信息,我們也提出了一種故障設(shè)備定位方法,其目的不在于變量層面的診斷,而在于閉回路故障設(shè)備組件的診斷,如傳感器故障,過程故障等。結(jié)合設(shè)備層面和變量層面的診斷信息,能提供更明確的決策支持。(3)針對(duì)帶有不確定性的復(fù)雜非線性動(dòng)態(tài)過程,提出了一種基于深度學(xué)習(xí)的方法學(xué)習(xí)隨機(jī)非線性狀態(tài)空間模型,并應(yīng)用于故障檢測(cè)。非線性狀態(tài)轉(zhuǎn)移方程以及非線性觀測(cè)方程由深度前向網(wǎng)絡(luò)實(shí)現(xiàn)。前向反向循環(huán)神經(jīng)網(wǎng)絡(luò)用于模擬狀態(tài)的前向?yàn)V波和反向平滑。同時(shí),結(jié)合梯度反向傳播的期望最大化算法被用于訓(xùn)練整個(gè)模型。該模型集中考慮了復(fù)雜非線性,過程動(dòng)態(tài)以及過程噪聲的影響。相比于其他淺層模型,該模型能處理更強(qiáng)的非線性;由于采用循環(huán)神經(jīng)網(wǎng)絡(luò)估計(jì)狀態(tài),避免了序列蒙特卡洛等采樣方法的應(yīng)用。通過在狀態(tài)空間以及殘差空間中分別構(gòu)造檢測(cè)統(tǒng)計(jì)量可有效監(jiān)測(cè)過程異常行為。(4)針對(duì)動(dòng)態(tài)批次過程,考慮批次過程多階段多模態(tài)特性,提出了基于線性動(dòng)態(tài)系統(tǒng)的階段劃分方法,模態(tài)聚類方法以及處理多批次數(shù)據(jù)的期望最大化訓(xùn)練方法,并利用訓(xùn)練的模型實(shí)施故障檢測(cè)。對(duì)于單個(gè)批次數(shù)據(jù),利用動(dòng)態(tài)模型對(duì)后續(xù)數(shù)據(jù)的預(yù)測(cè)效果判斷工段是否切換,進(jìn)而將批次劃分為多個(gè)階段;同時(shí)針對(duì)不同的批次,利用動(dòng)態(tài)系統(tǒng)的距離指標(biāo)將不同批次聚成不同模態(tài),并對(duì)屬于同一模態(tài)同一階段的多批次數(shù)據(jù)進(jìn)行重辨識(shí),以獲取相應(yīng)模態(tài)和階段的動(dòng)態(tài)模型用于故障檢測(cè)。
【圖文】：

動(dòng)態(tài)數(shù)據(jù)模態(tài)分割、評(píng)估與診斷；（２）閉環(huán)控制之下面向故障診斷的過程動(dòng)態(tài)分析逡逑與建模；（３）強(qiáng)非線性動(dòng)態(tài)過程建模與監(jiān)測(cè)；（４）動(dòng)態(tài)批次過程建模與監(jiān)測(cè)。各章節(jié)逡逑的結(jié)構(gòu)與邏輯連貫性如圖１．２所示。逡逑１７逡逑

２．４循環(huán)神經(jīng)網(wǎng)}a逡逑前述的方法都是線性動(dòng)態(tài)模型，本節(jié)簡(jiǎn)要介紹以ＲＮＮ（Ｐａｃｅｌｌａ邋２００７）為代表逡逑的非線性動(dòng)態(tài)模型。如圖２．１所示，ＲＮＮ采用循環(huán)結(jié)構(gòu)，將觀測(cè)序列投影至隱層逡逑神經(jīng)元，即逡逑ｈ（Ａｒ）邋＝邋ａ（Ｘ｜ｔ）邐（２．５３）逡逑其中，泛指神經(jīng)網(wǎng)絡(luò)中的映射關(guān)系。由于其循環(huán)結(jié)構(gòu)，ＲＮＮ還可表示為：逡逑ｈ（ｋ）邋＝邋ａ｛ｈ（ｋ），＼（ｋ））邐（２．５４）逡逑對(duì)于每個(gè)隱層節(jié)點(diǎn)，其可連接輸出層到６ｆ，作為真實(shí)輸出＼的預(yù)測(cè)，即逡逑（２．５５）逡逑３４逡逑
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP274
，

本文編號(hào)：2699707