翟 超,熊伟丽

(江南大学 轻工过程先进控制教育部重点实验室,江苏 无锡 214122)

随着传感和检测技术飞速发展,工业生产的信息化程度不断提高,产生了大量的生产过程数据,因而多元统计过程监控(MSPM)方法得到了广泛应用。其中主元分析(Principal component analysis,PCA)、偏最小二乘(Plus least square,PLS)和独立元分析(Independent component analysis,ICA)等是比较经典的多元统计监控方法[1-3]。针对工业过程呈现的不同特征,研究者们对3种经典方法进行了一系列改进[4-9]。其中,Nguyen等[6]提出了使用核技巧计算非线性主元的核主元分析法(Key PCA,KPCA),无需考虑非线性优化问题,具有更加优越的性能。针对PCA不能解决非高斯过程监测的问题,Ge等[7]提出了一种基于独立元分析-主元分析(ICA-PCA)的故障监测方法,通过提取过程的高斯和非高斯信息用于故障检测和诊断。Zhou等[8]提出一种全潜投影偏最小二乘方法,对PLS的主元及残差空间进行了二次分解,质量相关故障和无关故障的监测性能在一定程度上同时得到了提升。然而这些方法都是建立一个全局模型,没有考虑到生产过程中的局部信息,容易忽略局部产生的故障。

在现代工业中,以大规模和多个操作单元为特征的生产过程越来越多。而当这样的生产过程发生故障时,可能只有部分变量受到影响,这时若只建立全局模型,那么局部信息可能会被淹没,因此,多块或分布式过程监控成为一种有效的解决方案。国内外学者已经提出多种多块监控方法来获得复杂过程变量之间的关系,并能够反映过程的局部特性[10-15]。……