基于ICA的工业过程监控技术研究

【摘要】： 独立成分分析(ICA,Independent Component Analysis)是一种基于高阶统计量的信号处理方法,可在统计独立意义的基础上对观测变量进行分解,从而找到过程内在的驱动信息源,更本质地描述过程特征。 论文基于过程信号的盲源分离理论,深入研究了独立成分分析(ICA)方法,包括ICA的数学模型、目标函数、估计算法以及ICA在工业过程监控中的应用技术,并编写MATLAB仿真程序,给出6种独立的非高斯信号,将其线性混合,根据非高斯性最大原理确定近似负熵的目标函数,用FastICA迭代算法计算出ICA模型,从而得到与源信号相似的独立信号,实现了盲源分离及对数据进行的ICA算法的仿真实验。 针对Tennessee Eastman Process(TEP)仿真实验平台,选取部分测量变量进行监控实验,运用ICA计算得到统计模型(找出独立成分、分离矩阵),并对相关统计量进行计算,用核密度估计算法求出相关统计量的控制限进而进行过程监控。通过与PCA算法进行比对,发现ICA算法更能反映过程变化趋势,从而对异常事件的监测更加灵敏。 多向独立成分分析(MICA)是在间歇过程中对于ICA方法的扩展应用,能够提取非高斯分布的成分且在处理动态过程数据时更有优势,论文初步研究了采用MICA方法对间歇过程的监控技术。 最后,为了处理ICA监控技术的实际应用问题,论文对多操作模式(多工况)的环境下的ICA监控技术进行了一些有意义的探讨。以半实物仿真实验装置的带搅拌的釜式反应器(CSTR,continuous stirred tank reactor)为研究对象,进行连续反应过程的仿真实验。在正常工况下提取变量数据,将控制器给定值进行调整模拟工况变化,再由适合多工况环境的改进ICA模型计算统计量及控制限,从而进行在线监控。另外,对TE对象同样以类似方法进行监控实验。研究表明,用基于外部分析法的ICA技术对多工况过程进行监控是可行和有效的,应用于工业生产过程监控具有良好的前景。