基于HMM的统计过程监控研究

随着集散控制系统(DCS)在工业现场中的广泛应用以及测量技术不断提高,大量的过程数据被采集并存储下来。由于不需要建立过程机理模型,基于数据的过程监控方法近几年来成为过程控制领域的研究热点之一。理论上,过程数据包含任意时刻过程运行状况的完全描述,关键在于选择有效,方便的方法来提取和解释数据中的重要信息,从中不仅发现过程异常,而且还能分离出异常的根源。基于模式识别的过程监控方法主要由两步组成,第一步是从大量数据中提取过程特征信息;第二步使用分类器对过程特征信息进行匹配分类,检测和识别出过程中存在的故障。 本论文运用小波变换和主元分析(Principal Component Analysis,PCA)等方法对特征提取进行系统、深入的研究,基于隐马尔可夫模型(Hidden Markov Model,HMM)进行过程故障识别,提出一些新的过程监控和故障诊断方法,具体包括: 1.提出一种基于小波变换和PCA的两步特征提取方法。通过小波变换的多尺度分析,提取过程数据的局部时频信息;使用PCA消除数据之间的统计相关性,达到优化降维目的。与PCA方法相比,经过两步特征提取方法得到的主元特征序列能更好地表征过程运行状况的本质特征信息。 2.使用HMM构建主元特征序列的统计模型。采用HMM的混合高斯分布函数和状态转移概率分别描述主元特征序列的非高斯性以及序列相关性;CSTR过程的仿真结果表明,基于HMM构建的主元特征序列的统计模型能够准确描述数据中的本质特征信息。 3.使用HMM进行故障识别研究。首先,使用过程历史数据训练得到各种过程故障工况对应的HMM;然后,通过小波变换和PCA从测试数据中提取主元特征序列;最后,应用HMM对主元特征序列进行分类,识别出过程中存在的故障类型。Tennessee Eastman过程的仿真结果表明,这种方法能对过程中出现的各种故障进行准确的分类和识别。 4.提出一种基于HMM的过程监控方法。PCA等大多数统计监控方法假设过程数据服从独立同分布,这在实际应用中很难满足。由于HMM具有双重随机特性,它不仅能够表征数据的动态特性,而且对数据非高斯性也有很强的描述能力。因此基于HMM的过程监控方法不需对数据分布做上述假设。使用移动时间窗口截取过程动态数据,可避免PCA方法根据单一数据点进行过程监控所造成的数据信息不足缺陷,有利于提高故障检测和诊断的准确性。Tennessee Eastman过程的仿真结果表