基于正交方程近似的多元轨迹同步化过程监控

在间歇过程中，多向独立元分析方法（MICA）能够对不同批次的非正态分布的各变量三维数据列出多元统计模型，从建立的统计模型中提取出互为独立的信息元，经过计算发现其中的隐含的故障信息，从而改善过程监控能力。然而，事实上，在某些反应时间比较长的间歇过程中，由于无法保证各批次的反应速率都一致，这样的异步导致无法准确建立MICA模型。正交函数近似（OFA）方法，将各批次轨迹变量经过正交变换为按每一变量都相同个数的一系列系数的二维模型，并将其应用于监控中。用青霉素的发酵模拟软件（Pensimv2．0）进行仿真，通过某些批次设置故障与计算两种指标SPE和I^2比对，结果证明，与未同步的简单MICA建模相比，基于OFA的MICA过程监控能相对准确地发现过程中的异常。

一种基于新型数据预测方法的MICA仿真研究

在多元统计过程监控中,为解决因未知过程数据统计分布而产生误报漏报的现象,提出一种结合多向独立元分析法(MICA)和广义相关系数(GCC)数据预测的综合方法,进行在线监控过程的仿真。MICA分析方法能有效分解各变量的关联关系,且不需考虑建模数据是否符合正态分布,用此方法计算的独立元变量能更好地描述过程的变化规律。为提高预报未来过程故障的能力,提出用广义相关系数法进行数据预测:确定与运行轨迹相似的监控模型库中的轨迹,并使其相应部分承接于运行轨迹之后。现场采集聚氯乙烯聚合过程的数据进行仿真,仿真结果显示:对于在线监控和在线故障诊断方面,这种新型预测方法优于其它传统处理预测问题的方法。