基于残差的多变量特征提取及其在过程监测中的应用研究
提高产品质量，保证装置平稳运行是企业的第一生产目标，因此及时的发现过程故障对于企业十分重要。在目前的过程监测领域，常将残差作为一种特征用于设计过程监测模型，实现对过程故障识别。基于机理信息或知识获取的残差具有一定的过程物理含义，是用于设计过程监测模型的最佳选择。但在实际生产过程中，受到物料组成、装置状态以及过程复杂程度的影响，基于过程机理信息和经验知识所建立的数学或定性模型通常与真实状况的偏差较大，导致其对故障发生初期的微小偏离不敏感。 随着集散控制系统在化学工业中的广泛应用，大量的过程数据被存储下来，这为基于数据驱动的过程监测方法发展奠定了基础。在某个特定的稳态工况下，这些过程变量之间的关系是相对稳定，使得基于数据驱动的多元回归模型能更准确地体现出某稳态附近过程内在变化的特征，及变量之间的相关性。基于此，本文提出了一种新的基于残差的过程监测方法。利用多元统计回归模型来描述特点稳态操作附近的过程动态特征，以获取用于设计过程监测模型的残差，并通过主元分析方法进一步提取残差的主要变化信息，避免部分噪声对故障识别的影响，使得该过程监测模型能够识别出故障发生开始阶段的微小偏离。 本文提出的基于残差的过程监测方法首先被应用于经典的TE仿真过程以测试其监测效果。结果表明稳态工况下的变量间相关关系可以被多元统计回归模型准确提取以实现对过程内在特征的近似。对于绝大多数的TE过程故障初期微小偏离的识别效果，基于残差的过程监测方法要远优于传统的过程监测方法。对某制氢装置预转化反应器的过程监测结果表明，变量间的空间相关性也能够被多元统计回归模型提取以间接表述反应器内的反应进程，基于残差的过程监测方法可以比操作人员提前13个小时发现预转化反应器催化剂硫中毒的缓变故障，其对故障发生初期微小偏离具有良好的识别效果。
过程监测;故障识别;多变量特征提取;数据驱动;多元回归模型
北京化工大学
硕士
化学工程
孙巍;任宝东
2020
中文
TP277
2020-11-17（万方平台首次上网日期，不代表论文的发表时间）