基于改进OPLS间歇过程监测、质量预测及异常变量追溯

论文摘要

提高产品质量、保证生产安全一直是现代工业追求的目标,如何对产品质量实时预测、实施过程监测,及时有效的修复故障,成为现在研究的热点之一。随着计算机等相关技术的发展,工业过程可获得大量甚至冗余的数据,这些数据蕴含着与生产过程运行状态及最终产品质量密切相关的信息,若能充分利用这些数据将具有非常重要的意义。本文以多变量统计方法为理论,提出了基于窗口均值OPLS的质量预测、过程监测及异常变量追溯方法,并将其应用到连续退火生产过程中。主要工作包括：本文通过参考国内外相关文献,介绍了基于PLS方法的质量预测、过程监测及异常变量追溯。为使模型更易于解释和理解,引入了OPLS算法。在OPLS算法中,正交成分个数的确定是一个关键的问题,本文提出了一种改进的OPLS算法,为准确的确定正交成分个数提供了一个有效的手段。针对建模变量多、模型结构复杂、数据不等长等问题,提出了窗口均值OPLS算法,该方法依据工艺时段确定窗口宽度,并在每一个窗口宽度内取过程变量的均值作为输入变量建立OPLS模型；在进行异常变量追溯时,本文提出了贡献控制限、超限率的思想,为及时修复故障提供了可靠的保证。连续退火过程具有过程变量多、数据采样频率高等特点,在生产过程中带钢硬度很难在线测得,主要是通过截取带钢头、尾部进行离线实验分析获得,控制也主要依据操作工人的经验来实现,具有较大的滞后性和盲目性,而且在连续退火生产中带钢的硬度缺陷很难弥补。本文将窗口均值OPLS算法应用到连续退火过程带钢质量预测、过程监测及异常变量追溯中,验证了该方法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究的目的和意义
• 1.2 建模方法研究现状
• 1.2.1 基于机理的建模方法
• 1.2.2 基于人工智能的建模方法
• 1.2.3 基于过程数据的建模方法
• 1.3 过程监测与异常变量追溯方法研究现状
• 1.4 论文内容安排
• 第2章 基于PLS的过程监测及异常变量追溯方法
• 2.1 引言
• 2.2 偏最小二乘（PLS）算法
• 2.2.1 数据预处理
• 2.2.2 PLS算法基本原理
• 2.3 多向偏最小二乘（MPLS）算法
• 2.3.1 数据预处理
• 2.3.2 MPLS算法基本原理
• 2.4 基于PLS的过程监测
• 2.4.1 统计量控制限的确定
• 2.4.2 在线统计量的计算
• 2.5 基于PLS的异常变量追溯
• 2.5.1 离线贡献的确定
• 2.5.2 在线贡献的计算
• 2.6 本章小结
• 第3章 基于窗口均值OPLS的质量预测方法研究
• 3.1 引言
• 3.2 正交信号校正基本理论
• 3.2.1 OSC算法基本思想
• 3.2.2 几种典型的OSC算法
• 3.3 改进的OSC算法
• 3.4 改进的OPLS算法实现
• 3.5 基于窗口均值OPLS的质量预测算法
• 3.5.1 窗口均值OPLS数据预处理
• 3.5.2 离线预测模型的建立
• 3.5.3 在线应用
• 3.6 基于窗口均值OPLS的连退机组带钢质量预测
• 3.6.1 辅助变量选择
• 3.6.2 模型结构选择
• 3.6.3 仿真研究
• 3.7 本章小结
• 第4章 基于窗口均值OPLS的过程监测及异常变量追溯
• 4.1 引言
• 4.2 过程监测及异常变量追溯的基本框架
• 4.3 基于窗口均值OPLS的过程监测
• 4.3.1 过程监测模型的建立
• 4.3.2 在线监测
• 4.4 基于窗口均值OPLS的异常变量追溯
• 4.4.1 异常变量追溯模型的建立
• 4.4.2 在线异常变量追溯
• 4.5 仿真测试分析
• 4.5.1 连退机组正常状况测试分析
• 4.5.2 连退机组异常状况测试分析
• 4.6 本章小结
• 第5章 结论与展望
• 参考文献
• 致谢