楊正永，王昕，王振雷

（1 化工過程先進(jìn)控制和優(yōu)化技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室（華東理工大學(xué)），上海 200237；2 上海交通大學(xué)電工與電子技術(shù)中心，上海 200240）

引 言

現(xiàn)代化工、冶金等工業(yè)生產(chǎn)系統(tǒng)正逐漸向大型化、復(fù)雜化等方向發(fā)展。這類系統(tǒng)一旦發(fā)生故障，不但會(huì)造成大量的人員傷亡和巨大的財(cái)產(chǎn)損失，而且可能對(duì)生態(tài)環(huán)境造成毀滅性的破壞[1]。所以建立實(shí)時(shí)的過程監(jiān)控系統(tǒng)，及早地檢測并排除故障，對(duì)確保生產(chǎn)裝置的平穩(wěn)運(yùn)行具有很重大的意義。隨著計(jì)算機(jī)控制系統(tǒng)和智能儀表在生產(chǎn)中的應(yīng)用，大量數(shù)據(jù)被保存下來。通過對(duì)數(shù)據(jù)的統(tǒng)計(jì)分析來監(jiān)控系統(tǒng)的運(yùn)行狀態(tài)，已成為近年來的熱門研究領(lǐng)域[2]。多變量統(tǒng)計(jì)過程監(jiān)控（multivariate statistical process monitor，MSPM）是一種很重要的基于數(shù)據(jù)驅(qū)動(dòng)的監(jiān)控方法，它是從正常工況下的數(shù)據(jù)中提取過程信息，利用數(shù)理統(tǒng)計(jì)方法建立統(tǒng)計(jì)模型實(shí)現(xiàn)對(duì)生產(chǎn)過程的監(jiān)控[3]。

以主元分析（principal component analysis，PCA）、偏最小二乘（partial least squares，PLS）為代表的經(jīng)典多元統(tǒng)計(jì)過程監(jiān)控方法得到了廣泛的應(yīng)用。作為PCA 的擴(kuò)展，主要用于解決數(shù)據(jù)非高斯分布問題的獨(dú)立元分析（independent component analysis，ICA）方法逐漸被大家所熟知并取得很好的應(yīng)用發(fā)展。文獻(xiàn)[4]引進(jìn)PSO 算法來處理ICA 在求取解混矩陣W時(shí)容易陷入局部最優(yōu)的問題，該方法可以有效地防止矩陣W的次優(yōu)解的出現(xiàn)。對(duì)于原始ICA 方法的獨(dú)立元排序的問題，Cao 等[5]利用最小均方誤差對(duì)獨(dú)立元進(jìn)行排序，選取前n個(gè)主要獨(dú)立元來構(gòu)建統(tǒng)計(jì)量。文獻(xiàn)[6]結(jié)合ICA 和規(guī)范變量分析（canonical variate analysis，CVA）的優(yōu)點(diǎn)，提出一種用來解決 TE 過程中故障 3 的檢測方法CV-ICA。文獻(xiàn)[7]在ICA 的基礎(chǔ)上，結(jié)合近年來提出的局部離群因子（local outlier factor，LOF）方法提出了一種新的流程工業(yè)監(jiān)控方法，該方法不考慮過程數(shù)據(jù)的分布特性，而且新構(gòu)建的統(tǒng)計(jì)量更有效地降低了漏報(bào)率。Jiang 等[8]認(rèn)為ICA 方法故障信息和某些獨(dú)立元沒有一定的映射關(guān)系而且過程數(shù)據(jù)中的有用信息有可能被埋沒，為此提出一種加權(quán)ICA（weighted ICA，WICA）。WICA 給不同的獨(dú)立元賦予不同的權(quán)值，凸顯有用獨(dú)立元的地位，實(shí)現(xiàn)統(tǒng)計(jì)量信息的有效提取。文獻(xiàn)[9]提出的ICA 改進(jìn)方法可以處理帶有周期性擾動(dòng)的非高斯過程監(jiān)控問題，該方法利用平均移動(dòng)累積和消除擾動(dòng)信息，再利用ICA 對(duì)消除擾動(dòng)后的殘差進(jìn)行統(tǒng)計(jì)建模并實(shí)現(xiàn)過程監(jiān)控。然而Ge 等[10]認(rèn)為過多的方法引入會(huì)影響算法的執(zhí)行效率，而且PCA、ICA 等MSPM 方法在實(shí)際應(yīng)用中的監(jiān)控效果不理想，根本原因不在于方法本身，而在于最后統(tǒng)計(jì)量的構(gòu)建以及統(tǒng)計(jì)監(jiān)控限的選取。

實(shí)際生產(chǎn)過程通常包括機(jī)理復(fù)雜的物理及化學(xué)反應(yīng)過程，另外原料成分的改變、現(xiàn)場噪聲和設(shè)備老化等因素都導(dǎo)致現(xiàn)場采集到的數(shù)據(jù)通常具有非線性關(guān)系，并伴有非高斯與高斯混合分布的特征。LTSA 算法[11]考慮數(shù)據(jù)間的鄰域信息，在充分保留數(shù)據(jù)局部結(jié)構(gòu)的前提下實(shí)現(xiàn)數(shù)據(jù)降維，可以很好地解決非線性問題并可以減少后續(xù)的分析計(jì)算時(shí)間。同時(shí)發(fā)現(xiàn)，文獻(xiàn)[4]到文獻(xiàn)[9]提出的方法利用ICA對(duì)過程非高斯信息進(jìn)行統(tǒng)計(jì)分析，之后就在殘差空間計(jì)算SPE 統(tǒng)計(jì)量，文獻(xiàn)[12]認(rèn)為對(duì)非高斯信息進(jìn)行分析后，應(yīng)該對(duì)ICA 提取后的殘差信息再進(jìn)行分析以實(shí)現(xiàn)對(duì)過程信息的分析以提高監(jiān)控性能。此外，大多數(shù)方法都采用多個(gè)統(tǒng)計(jì)量指標(biāo)進(jìn)行過程監(jiān)控。多個(gè)指標(biāo)分散了過程信息，也增加了診斷工作量，不利于實(shí)際現(xiàn)場的過程監(jiān)控。

為此，針對(duì)實(shí)際工業(yè)過程數(shù)據(jù)是非高斯分布和高斯分布的混合體的情況，本文提出了一種基于LTSA 和聯(lián)合指標(biāo)的非高斯過程監(jiān)控方法。首先采用局部切空間排列（local tangent space alignment，LTSA）算法在充分保留數(shù)據(jù)的局部結(jié)構(gòu)的前提下，對(duì)正常樣本進(jìn)行非線性降維來提取出低維流形結(jié)構(gòu)，然后利用非高斯策略對(duì)低維流形結(jié)構(gòu)進(jìn)行統(tǒng)計(jì)分析并計(jì)算出非高斯統(tǒng)計(jì)量，之后利用高斯策略對(duì)非高斯建模后剩余的殘差進(jìn)行統(tǒng)計(jì)建模并計(jì)算出高斯統(tǒng)計(jì)量。為避免多個(gè)指標(biāo)容易分散故障信息，對(duì)這兩個(gè)統(tǒng)計(jì)量進(jìn)行加權(quán)獲取新的統(tǒng)計(jì)指標(biāo)并估計(jì)統(tǒng)計(jì)監(jiān)控限，從而實(shí)現(xiàn)對(duì)工業(yè)過程的在線監(jiān)控。最后，TE平臺(tái)仿真以及應(yīng)用仿真說明了所提方法的有效性。

1 局部切空間排列（LTSA）算法

復(fù)雜工業(yè)過程中有大量的過程數(shù)據(jù)，它們具有維度高的特點(diǎn)，例如一臺(tái)工業(yè)裂解爐包括200 多個(gè)過程變量，而且由于放熱反應(yīng)過程的存在，很多變量間呈現(xiàn)非線性關(guān)系。因此，采用LTSA 算法在充分保留數(shù)據(jù)的局部結(jié)構(gòu)的前提下實(shí)現(xiàn)過程數(shù)據(jù)的低維流形提取，主要步驟如下。

（1）局部信息提?。河肒近鄰方法為原始數(shù)據(jù)集m是樣本維數(shù)，N是樣本個(gè)數(shù)）中的每一個(gè)數(shù)據(jù)點(diǎn)尋找k個(gè)近鄰點(diǎn)，得近鄰矩陣Ki

其中，kik代表樣本點(diǎn)i與樣本點(diǎn)k之間的距離。需要說明的是，當(dāng)選定鄰域個(gè)數(shù)k后，使用K近鄰方法是要找出與每一個(gè)樣本點(diǎn)離得最近的k個(gè)樣本點(diǎn)來構(gòu)成近鄰矩陣。即使用K近鄰方法計(jì)算出歐式距離后，再對(duì)其進(jìn)行排列，找出距離最小的k個(gè)值構(gòu)成近鄰矩陣Ki。

（2）局部坐標(biāo)計(jì)算：先將Ki中心化，得再對(duì)Ki-ki,mid1k進(jìn)行奇異值分解

其中，1k為k維的全1 向量，Σi是奇異值按降序排列的對(duì)角陣，Qi、Vi分別對(duì)應(yīng)m1個(gè)最大奇異值的左、右奇異向量構(gòu)成的矩陣，所以局部切空間中樣本點(diǎn)的投影坐標(biāo)矩陣為

（3）局部坐標(biāo)排列：不同的樣本點(diǎn)都有一個(gè)局部坐標(biāo)系統(tǒng)Θi，將這些局部坐標(biāo)排列起來即可得到全局坐標(biāo)系統(tǒng)T，記為

局部坐標(biāo)經(jīng)過線性仿射變換排列后可得到全局坐標(biāo)

其中，τ,midi表示樣本點(diǎn)xi低維嵌入的對(duì)應(yīng)鄰域點(diǎn)坐標(biāo)的中心，Li表示坐標(biāo)之間的仿射變換，而ε(i)j表示局部坐標(biāo)的重建誤差。記Ti=[τi1,… ,τik]，那么式(5)就被轉(zhuǎn)化成矩陣形式

所以重構(gòu)誤差Ei就可以寫成

通過極小化重構(gòu)誤差Ei以保證局部坐標(biāo)的低維特征

對(duì)T進(jìn)行中心標(biāo)準(zhǔn)化來保證唯一解，所以

其中，Θi+表示為iΘ的偽逆，為排列矩陣。

（4）提取低維子流形：對(duì)矩陣φ進(jìn)行特征值分解并升序排列，選取從第2 小到第（m1+1）小的特征值所對(duì)應(yīng)的特征向量構(gòu)成低維嵌入矩陣。

經(jīng)過上述4 步可以實(shí)現(xiàn)高維空間向低維空間的映射。然而LTSA 是種非線性維數(shù)約減算法，無法得到一個(gè)解析形式的映射函數(shù)，所以對(duì)新樣本點(diǎn)需要重新學(xué)習(xí)才能實(shí)現(xiàn)低維映射。為解決這個(gè)問題，通過學(xué)習(xí)出映射空間的基向量來實(shí)現(xiàn)新樣本點(diǎn)從高維空間到低維空間的映射。

2 非高斯-高斯統(tǒng)計(jì)建模

2.1 ICA 非高斯統(tǒng)計(jì)建模

在對(duì)原始數(shù)據(jù)集進(jìn)行非線性降維得到低維流形X1后，基于文獻(xiàn)[12]提出的方法對(duì)X1進(jìn)行兩步統(tǒng)計(jì)建模分析。ICA[13]是一種揭示變量間潛在因素的方法，將數(shù)據(jù)矩陣做如下的組合分解

其中，X1∈是X∈Rm×N經(jīng)LTSA 降維后的測量變量矩陣，S∈Rp×N是獨(dú)立成分矩陣，A∈RN×p是混合矩陣，m1、N、p分別是變量個(gè)數(shù)、樣本個(gè)數(shù)和獨(dú)立成分個(gè)數(shù)。ICA 旨在求取解混矩陣W來重構(gòu)S。

重構(gòu)獨(dú)立成分S的方法有負(fù)熵最大化、互信息最小化等，計(jì)算前先用PCA 對(duì)數(shù)據(jù)集X1進(jìn)行白化處理，這樣可以提高計(jì)算效率。下面先對(duì)X1的協(xié)方差矩陣進(jìn)行特征值分解，即

對(duì)數(shù)據(jù)進(jìn)行白化

其中，白化矩陣Q=Λ-1/2UT，白化后的數(shù)據(jù)為

其中，B=QA為單位正交矩陣，那么重構(gòu)的獨(dú)立成分可以表示為

本文采用FastICA[13]算法進(jìn)行B的求解，解混矩陣W=BTQ。采用ICA 方法進(jìn)行監(jiān)控時(shí)，選取W中行向量二范數(shù)較大的d行作為Wd，剩下的作為We。所以相關(guān)統(tǒng)計(jì)量Id2、Ie2為（殘差E將用于高斯統(tǒng)計(jì)分析）

以上兩個(gè)指標(biāo)中，Id2用于檢測主要獨(dú)立成分的變化，即系統(tǒng)性變化；Ie2用于檢測次要獨(dú)立成分的變化，即非系統(tǒng)變化[14]。因此本文將這兩個(gè)指標(biāo)合二為一計(jì)算出新的非高斯監(jiān)控指標(biāo)，即

其中，和分別為統(tǒng)計(jì)量和的統(tǒng)計(jì)監(jiān)控限。統(tǒng)計(jì)監(jiān)控限的選取可參考文獻(xiàn)[15]的方法，在計(jì)算出正常數(shù)據(jù)的、后，分別對(duì)其升序排列，本文取第98%高的或的統(tǒng)計(jì)量的值作為統(tǒng) 計(jì)限。

2.2 PCA 高斯統(tǒng)計(jì)建模

PCA 認(rèn)為正常數(shù)據(jù)集可以由較低維的主要變量空間和殘差空間表示，具體分解成如式(18)形式

現(xiàn)對(duì)2.1 節(jié)中ICA 提取后的殘差E建立PCA過程統(tǒng)計(jì)模型，得

其中，E∈Rm1×N，m1是變量個(gè)數(shù)，N是樣本個(gè)數(shù)；pi是載荷向量，ti是相應(yīng)的得分向量。取前k維的主元空間代替原來的1m維數(shù)據(jù)空間，即

此時(shí)，構(gòu)造HotellingT2和SPE 統(tǒng)計(jì)量

根據(jù)以上兩個(gè)指標(biāo)是否超限進(jìn)而判斷過程是否處于故障狀態(tài)，存在：①T2超限，SPE 超限；②T2超限，SPE 不超限；③T2不超限，SPE 超限；④T2不超限，SPE 不超限這4 種情況。通常認(rèn)為①和②已經(jīng)發(fā)生故障，③可能未發(fā)生故障。為此結(jié)合文獻(xiàn)[16]將殘差分析后的T2和SPE兩個(gè)指標(biāo)合二為一得到新的高斯監(jiān)控指標(biāo)，即

2.3 新的聯(lián)合指標(biāo)的建立

在實(shí)際工業(yè)過程中，當(dāng)幾個(gè)統(tǒng)計(jì)指標(biāo)同時(shí)報(bào)警時(shí)，多次的故障診斷增加了工作量。文獻(xiàn)[14]在文獻(xiàn)[16]的基礎(chǔ)上提出了ICA 的聯(lián)合指標(biāo)，但并未對(duì)殘差信息繼續(xù)進(jìn)行分析。本文在利用LTSA 處理數(shù)據(jù)得到低維流形后，結(jié)合兩步策略對(duì)其進(jìn)行分析得到非高斯統(tǒng)計(jì)量和高斯統(tǒng)計(jì)量?？紤]到過程數(shù)據(jù)是一個(gè)高斯分布和非高斯分布混合的整體，根據(jù)文獻(xiàn)[14]的加權(quán)公式對(duì)新建立的非高斯統(tǒng)計(jì)量D2non-Gaussian和高斯統(tǒng)計(jì)量D2Gaussian進(jìn)行加權(quán)得到新的統(tǒng)計(jì)量D2new，具體描述為

3 基于LTSA 和聯(lián)合指標(biāo)的過程監(jiān)控

本文采用LTSA 算法，基于非高斯-高斯兩步策略提出新的聯(lián)合指標(biāo)進(jìn)行過程監(jiān)控。基本思想是將建模數(shù)據(jù)預(yù)處理后，利用LTSA 算法進(jìn)行非線性降維，之后基于非高斯-高斯兩步策略進(jìn)行統(tǒng)計(jì)分析得到相應(yīng)的統(tǒng)計(jì)量D2non-Gaussian和D2Gaussian，再利用加權(quán)得到新的聯(lián)合指標(biāo)D2new。對(duì)于待檢測的過程數(shù)據(jù)進(jìn)行同樣的數(shù)據(jù)處理后，利用相應(yīng)的統(tǒng)計(jì)量與統(tǒng)計(jì)監(jiān)控限的關(guān)系，判斷系統(tǒng)的運(yùn)行狀態(tài)。該監(jiān)控方法可分為以下兩個(gè)階段。

（1）離線建模

①從TE 平臺(tái)采集正常工況下的樣本數(shù)據(jù)集X∈Rm×N，對(duì)樣本數(shù)據(jù)進(jìn)行均值中心化以及標(biāo)準(zhǔn)化的數(shù)據(jù)處理；

②運(yùn)用LTSA 算法對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)集進(jìn)行降維處理，得到降維后的數(shù)據(jù)集X1∈Rm1×N；

③利用非高斯-高斯兩步策略建立統(tǒng)計(jì)模型得到相應(yīng)監(jiān)控統(tǒng)計(jì)量D2non-Gaussian和D2Gaussian；

④對(duì)非高斯統(tǒng)計(jì)量和高斯統(tǒng)計(jì)量進(jìn)行加權(quán)得到新的聯(lián)合指標(biāo)D2new。根據(jù)文獻(xiàn)[15]提供的方法設(shè)定統(tǒng)計(jì)監(jiān)控限。離線建模流程如圖1所示。

（2）在線監(jiān)控

①在線獲取實(shí)時(shí)數(shù)據(jù)，進(jìn)行數(shù)據(jù)均值中心化及標(biāo)準(zhǔn)化的數(shù)據(jù)處理；

②對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行降維處理，得到低維 空間的嵌入坐標(biāo)；

圖1 離線建模流程Fig.1 Flow chart of offline modeling

圖2 在線監(jiān)控流程Fig.2 Flow chart of online monitoring

③計(jì)算出統(tǒng)計(jì)量，實(shí)施加權(quán)后得到新的聯(lián)合指標(biāo)，判斷是否超限。在線監(jiān)控流程如圖2所示。

4 TE 過程仿真實(shí)驗(yàn)

TE 模型是由美國Eastman 化學(xué)公司的過程控制小組的Downs 等[19]提出的，來自于一個(gè)真實(shí)工業(yè)過程，提出的目的是為評(píng)價(jià)過程控制和監(jiān)控方法提供一個(gè)現(xiàn)實(shí)的工業(yè)過程。這個(gè)案例很適合過程控制和監(jiān)控技術(shù)的研究，為學(xué)術(shù)界所廣泛使用，已成為被廣泛認(rèn)可的“標(biāo)準(zhǔn)測試”平臺(tái)。TE 過程包括5個(gè)主要操作單元，共4 個(gè)反應(yīng)，生成2 種產(chǎn)物，包括12 個(gè)操縱變量和41 個(gè)測量變量（包括22 個(gè)連續(xù)測量變量和19 個(gè)成分測量值），有6 種運(yùn)行模式。人為對(duì)其設(shè)定21 種故障工況，前7 種故障與過程變量的階躍變化有關(guān)，故障8～故障12 與某些變量的可變性增大有關(guān)，故障13 是反應(yīng)動(dòng)力學(xué)中的緩慢漂移，故障14 和故障15 與黏滯閥有關(guān)，剩余故障為未知類型[1]。TE 過程的詳細(xì)描述可參考文獻(xiàn)[20]。TE 的基本控制方案如圖3所示。

圖3 TE 過程流程Fig.3 Flow chart of TE benchmark process

離線建模時(shí)，選取52 維的960 組正常數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，之后采用LTSA 算法對(duì)52 維數(shù)據(jù)進(jìn)行降維處理。根據(jù)經(jīng)驗(yàn)，LTSA 算法的近鄰個(gè)數(shù)k=51，降維后的空間維數(shù)d=33。再利用非高斯-高斯兩步策略進(jìn)行統(tǒng)計(jì)建模計(jì)算出相應(yīng)的非高斯統(tǒng)計(jì)量和高斯統(tǒng)計(jì)量，最后運(yùn)用加權(quán)方法計(jì)算得到新統(tǒng)計(jì)指標(biāo)并估計(jì)出統(tǒng)計(jì)監(jiān)控限。

在線監(jiān)控時(shí)，選用960 組過程數(shù)據(jù)進(jìn)行仿真，故障是在第161 個(gè)數(shù)據(jù)時(shí)刻引入的。先采用LTSA算法對(duì)標(biāo)準(zhǔn)化后的待檢測數(shù)據(jù)進(jìn)行降維處理，再利用非高斯-高斯兩步策略算出統(tǒng)計(jì)量并計(jì)算得到最后的聯(lián)合指標(biāo)，判斷其是否超限。是則報(bào)警，否則繼續(xù)采集檢測。經(jīng)多次實(shí)驗(yàn)，得到與其他方法的檢測率對(duì)比，如表1所示。

需要說明的是，故障5 是由于冷凝器冷卻水入口溫度的階躍變化引起的氣液分離器的溫度和冷卻水出口溫度的變化，大多數(shù)統(tǒng)計(jì)量在故障發(fā)生后能夠及時(shí)檢測到，但在約350 個(gè)采樣時(shí)刻后受到控制回路的補(bǔ)償影響便無法做出準(zhǔn)確監(jiān)控。結(jié)合表1及圖4可以看出，本文提出的方法在故障5 發(fā)生時(shí)可以及時(shí)地檢測到，并一直監(jiān)控故障的存在，顯示故障并未排除。在監(jiān)控故障10 這類某一過程變量增大的故障時(shí)，本文提出的方法取得的監(jiān)控效果也要優(yōu)于文獻(xiàn)[21]提出的監(jiān)控方法以及文獻(xiàn)[12]提出的原始兩步策略方法，而且本文提出的單個(gè)聯(lián)合指標(biāo)也要比3 個(gè)指標(biāo)直觀（圖5）。在對(duì)故障20 進(jìn)行監(jiān)控時(shí)，較PCA 方法、LTSA-FSSVDD 方法以及原始兩步策略監(jiān)控方法而言，提高了故障檢測率（圖6）。

表1 TE 過程故障1、5、10、11、16、18、19、20、21 的檢測率對(duì)比Table 1 Detection rate comparison of fault 1,5,10,11,16,18,19,20 & 21 of TE process/%

圖4 TE 過程故障5 的監(jiān)控圖對(duì)比Fig.4 Comparison of monitoring fault 5 of TE process

圖5 TE 過程故障10 的監(jiān)控圖對(duì)比Fig.5 Comparison of monitoring fault 10 of TE process

5 乙烯裂解爐應(yīng)用

以某石化企業(yè)大型裂解爐為例，將本文方法應(yīng)用到乙烯裂解爐過程監(jiān)控中。乙烯裂解爐的具體結(jié)構(gòu)如圖7所示，它是乙烯生產(chǎn)中的龍頭設(shè)備，裂解原料(石腦油、乙烷等)在裂解爐中通過復(fù)雜的高溫裂解反應(yīng)，裂解為乙烯、丙烯、丁二烯等化工基礎(chǔ)原料。

選擇對(duì)裂解爐運(yùn)行影響較大的33 個(gè)變量，其中包括6 組爐管的進(jìn)料流量，6 組爐管的稀釋蒸汽流量，裂解爐底部燃料氣流量，側(cè)壁燃料氣流量，6組爐管的出口溫度，6 組爐管的橫跨段溫度，6 組爐管的出口壓力等。裂解爐運(yùn)行中常見故障如表2所示。

當(dāng)現(xiàn)場進(jìn)行安全平穩(wěn)生產(chǎn)時(shí)，監(jiān)控系統(tǒng)出現(xiàn)圖8(a)所示的監(jiān)控畫面。當(dāng)裂解爐的第1 根爐管輻射段出口壓力發(fā)生波動(dòng)時(shí)，監(jiān)控系統(tǒng)得到圖8(b)所示的監(jiān)控畫面。當(dāng)?shù)? 根爐管橫跨段出現(xiàn)溫度跳變時(shí)，監(jiān)控畫面如圖8(c)所示。而當(dāng)?shù)? 根爐管的溫度傳感器發(fā)生故障時(shí)，得到了圖8(d)所示的監(jiān)控畫面。

圖6 TE 過程故障20 的監(jiān)控圖對(duì)比Fig.6 Comparison of monitoring fault 20 of TE process

圖7 乙烯裂解爐結(jié)構(gòu)Fig.7 Structure of ethylene cracking furnace

在應(yīng)用仿真中，從圖8可以看出，本文提出的方法在對(duì)乙烯裂解爐進(jìn)行監(jiān)控時(shí)，取得了很好的監(jiān)控效果。圖8(a)是對(duì)裂解爐的正常平穩(wěn)運(yùn)行時(shí)的監(jiān)控圖，當(dāng)實(shí)際現(xiàn)場存在多個(gè)統(tǒng)計(jì)量連續(xù)超限時(shí)才會(huì) 給出故障的呼報(bào)，所以本文的方法不會(huì)做出誤判，做到了準(zhǔn)確監(jiān)控。圖8(b)是對(duì)第1 根爐管的輻射段的出口壓力的波動(dòng)故障進(jìn)行監(jiān)控，在故障發(fā)生后，統(tǒng)計(jì)指標(biāo)反映出了數(shù)據(jù)的波動(dòng)變化，對(duì)這類隨機(jī)波動(dòng)故障做出了有效監(jiān)控。圖8(c)、(d)是對(duì)第3 根爐管的溫度跳變故障及第6 根爐管的傳感器增益故障的監(jiān)控，所提的聯(lián)合指標(biāo)也反映階躍變化，表現(xiàn)出了優(yōu)秀的檢測性能。

表2 乙烯裂解爐3 種故障Table 2 Three kinds of ethylene cracking furnace’s fault

6 結(jié) 論

為解決過程數(shù)據(jù)中高斯和非高斯混合分布的問題，實(shí)現(xiàn)有效的過程監(jiān)控，本文提出了一種基于LTSA 和聯(lián)合指標(biāo)的非高斯過程監(jiān)控方法。首先采用LTSA 算法提取低維流形，然后采取非高斯策略對(duì)低維流形進(jìn)行分析計(jì)算得到非高斯統(tǒng)計(jì)量，再利用高斯策略對(duì)非高斯策略提取后的殘差E進(jìn)行分析計(jì)算得到高斯統(tǒng)計(jì)量，最后再將其加權(quán)得到新的聯(lián)合指標(biāo)。最后通過TE 平臺(tái)證明了該方法的有效性，對(duì)實(shí)際工業(yè)乙烯裂解爐的應(yīng)用仿真也說明了該方法具有的指導(dǎo)意義。

圖8 乙烯裂解爐正常工況、故障1、故障2、故障3 的監(jiān)控結(jié)果Fig.8 Monitoring results of ethylene cracking furnace of normal mode,fault 1,fault 2 and fault 3

[1]Ma Yuxin (馬玉鑫),Wang Mengling (王夢靈),Shi Hongbo (侍洪波).Fault detection for chemical process based on locally linear embedding [J].CIESC Journal(化工學(xué)報(bào)),2012,63 (7):2121-2127

[2]Li Han (李晗),Xiao Deyun (蕭德云).Survey on data fault diagnosis methods [J].Control and Decision(控制與決策),2011,26 (1):1-9,16

[3]Zhao Chunhui,Wang Fuli,Mao Zhizhong,Lu Ningyun,Jia Mingxing.Improved batch process monitoring and quality prediction based on multiphase statistical analysis [J].Industrial and Engineering Chemistry Research,2008,47 (3):835-849

[4]Zhang Yingwei,Zhang Yang.Fault detection of non-Gaussian processes based on modified independent component analysis [J].Chemical Engineering Science,2010,65 (16):4630-4639

[5]Wang Jingcheng,Zhang Yanbin,Cao Hui,Zhu Wenzhi.Dimension reduction method of independent component analysis for process monitoring based on minimum mean square error [J].Journal of Process Control,2012,22 (2):477-487

[6]Yang Yinghua,Chen Yonglu,Chen Xiaobo,Liu Xiaozhi.Multivariate industrial process monitoring based on the integration method of canonical variate analysis and independent component analysis [J].Chemometrics and Intelligent Laboratory Systems,2012,116:94-101

[7]Lee Jaeshin,Kang Bokyoung,Kang Suk-Ho.Integrating independent component analysis and local outlier factor for plant-wide process monitoring [J].Journal of Process Control,2011,21 (7):1011-1021

[8]Jiang Qingchao,Yan Xuefeng.Non-Gaussian chemical process monitoring with adaptively weighted independent component analysis and its applications [J].Journal of Process Control,2013,23 (9):1320-1331

[9]Tian Ying,Du Wenli,Qiao Feng.Fault detection and diagnosis for non-gaussian processes with periodic disturbance based on AMRA-ICA [J].Industrial & Engineering Chemistry Research,2013,52 (34):12082-12107

[10]Ge Zhiqiang,Song Zhihuan.A distribution-free method for process monitoring [J].Expert Systems with Applications,2011,38 (8):9821-9829

[11]Zhang Zhenyue,Zha Hongyuan.Principal manifolds and nonlinear dimension reductionvialocal tangent space alignment [J].SLAM Journal of Scientific Computing,2004,26 (1):313-338

[12]Ge Z Q,Song Z H.Process monitoring based on independent component analysis-principal component analysis (ICA-PCA) and similarity factors [J].Ind.Eng.Chem.Res.,2007,46:2054-2063

[13]Hyv?arinen A,Oja E.Independent component analysis:algorithms and applications [J].Neural Networks,2000,13 (4/5):411-430

[14]Fan Jicong (樊繼聰),Wang Youqing (王友清),Qin S Joe (秦泗釗).Combined indices for ICA and their applications to multivariate process fault diagnosis [J].Acta Automatica Sinica(自動(dòng)化學(xué)報(bào)),2013,39 (5):494-501

[15]Cai Lianfang,Tian Xuemin,Chen Sheng.A process monitoring method based on noisy independent component analysis [J].Neurocomputing,2014,127:231-246

[16]Yue H H,Qin S J.Reconstruction-based fault identification using a combined index [J].Industrial and Engineering Chemistry Research,2001,40 (20):4403-4414

[17]Ge Zhiqiang (葛志強(qiáng)).Statistical process monitoring research of complex states [D].Hangzhou:Zhejiang University,2009

[18]Ge Zhiqiang,Song Zhihuan.Multivariate Statistical Process Control:Process Monitoring Methods and Applications [M].Springer,2013

[19]Downs J J,Vogel E F.A plant-wide industrial process control problem [J].Computers and Chemical Engineering,1993,17 (3):245-255

[20]Chiang L H,Russell E L,Braatz R D.Fault Detection and Diagnosis in Industrial Systems [M].Springer,2001

[21]Zhang Shaojie (張少捷),Wang Zhenlei (王振雷),Qian Feng (錢鋒).FS-SVDD based on LTSA and its application to chemical process monitoring [J].CIESC Journal(化工學(xué)報(bào)),2010,61 (8):1894-1900