高俊峰 周凌柯

(南京理工大学自动化学院，南京 210094)

近年来，以PCA为代表的多元统计过程性能监控和故障诊断技术在化工过程中得到了成功应用[1，2]。但此类方法假定过程变量服从正态分布，且来自单一的稳定工况。对于多工况过程，目前的监测方法大多采用多模型方法[3～6]。Hwang D H和Han C H提出了一种基于多层聚类的超级PCA模型来解决多工况下化工过程的实时监测问题[3]。Lane S等提出一种通用子空间模型来监控多工况半间歇过程[4]。Zhao S J等为多工况过程监测开发了多PCA/PLS模型[5,6]。这些方法的共同点是通过聚类或经验来划分工况，工况数的选择和工况界定较多地依赖于过程知识。为减轻监测方法对过程知识的依赖，近年来高斯混合模型(Gaussian Mixture Model，GMM)被应用到多工况过程监测中来。GMM的参数一般使用EM(Expectation Maximization)算法迭代估计，然而常规EM算法必须事先给定混合模型的分量数目，且在参数估计过程中不能自动调整。但在实际工业过程中，过程工况数经常是无法预知的，因此，近几年许多学者采用的方法是针对不同的分量数目多次运行EM算法，计算量较大。Ma J等指出未知分量数目的高斯混合模型建模问题等价于最大化贝叶斯阴阳协调函数，并从理论上分析和证明了BYY协调函数用于选取高斯分量数目的有效性[7]。

为了解决多工况故障监控中存在的问题，笔者建立了一个多工况混合模型。该模型首先采用常规EM算法估计各工况的GMM参数，然后采用BYY算法根据所估计出的GMM参数来判断工况数。……