多变量统计过程监控

【摘要】： 传统的统计过程监控是基于单变量统计控制方法。单变量统计控制只能检测单一测量变量的变化,而不能有效地提供关于多个变量相互作用的信息。另外,单变量统计过程控制也不适用于间歇过程。 多变量统计过程监控通过对过程进行有效地监控,能及早发现过程中的故障隐患,从而提高过程运行的安全性。 本文对多尺度主元分析进行了一种改进,并将其分别应用于连续生产过程和间歇生产过程之中。完成的具体工作如下: 1过程数据的预处理(滤波)部分 在小波分析的基础上,借助Matlab语言中小波工具箱的基本算法,详细讨论了基于阈值决策的小波消噪方法及其应用。在此基础上,实现小波滤波在线化,并应用于仿真信号之中。 2 MSPCA及MSPCA改进算法在连续生产过程之中的应用和比较 MSPCA方法在生产过程监控方面有着广泛地应用。本文在研究该方法的基础之上,提出了一些改进,在其进行小波分解后即对其小波系数进行阈值处理,使小波消噪与MSPCA方法合为一体,并运用统计控制图中的平方预测误差(SPE)图方法检测引起过程变化或故障的过程变量。在保证其MSPCA算法复杂度不变的前提下,能够消除数据的噪声污染,使故障诊断的误报大为减少。 3 MPCA方法在间歇生产过程中的应用 多向主元分析方法在间歇过程中应用广泛,既简化了多维数据结构的分析,同时又解决了间歇过程统计控制的特殊性问题。本文将多尺度主元分析方法与多向主元分析方法相结合,并应用于间歇生产过程之中。 4多模型PCA方法在间歇生产过程中的应用 当生产过程历经几个不同的阶段时,并且每个阶段变量之间的关系不同时,多变量统计置信界限将不再适合所有的阶段。这样会导致故障数据被误认为正常,使监测系统的漏报率提高。此时,就要针对每一个不同的阶段建立模型。本文中首先利用聚类方法中的K均值方法对样本按照不同阶段进行聚类分析,然后对分类后的样本进行主元分析,并和单一主元分析进行了比较。