非平稳间歇过程数据解析与状态监控——回顾与展望

被引：36
作者：
赵春晖
余万科
高福荣
机构：
[1] 浙江大学控制科学与工程学院
来源：
自动化学报 | 2020年 / 46卷 / 10期
关键词：
数据解析; 智能制造; 间歇过程; 非平稳; 状态监测; 故障诊断; 机器学习;
D O I：
10.16383/j.aas.c190586
中图分类号：
TP277 [监视、报警、故障诊断系统]; F424 [工业建设与发展];
学科分类号：
0804 ; 080401 ; 080402 ; 020205 ; 0202 ;
摘要：
间歇过程作为制造业的重要生产方式之一,其高效运行是智能制造的优先主题.为了保障生产过程的高效运行,面向间歇生产的过程数据解析与状态监控算法在最近三十年间得到大家的广泛关注,发展速度稳步提升.但由于间歇过程本身的多重时变大范围非平稳运行复杂特性,以及对状态监控与故障诊断要求的提高,现有的理论和方法仍面临着挑战.本文从分析间歇过程的特性出发,从数据解析的角度,总结了近三十年来非平稳间歇过程高性能监控研究的发展.一方面对间歇过程监控领域几种经典的方法体系进行了总结和梳理,另一方面揭示了尚存在的问题以及未来可能的研究思路和发展脉络.
引用
收藏
页码：2072 / 2091
页数：20
相关论文
共 74 条
[1]  
基于两层分块GMM-PRS的流程工业过程运行状态评价[J]. 邹筱瑜,王福利,常玉清,郑伟.自动化学报. 2019(11)
[2]   批次过程控制—回顾与展望 [J].
卢静宜 ;
曹志兴 ;
高福荣 .
自动化学报, 2017, 43 (06) :933-943
[3]  
闭环系统故障诊断技术综述[J]. 周东华,刘洋,何潇.自动化学报. 2013(11)
[4]  
多时段间歇过程统计建模、在线监测及质量预报[D]. 赵春晖.东北大学. 2009
[5]  
动态过程数据的多变量统计监控方法研究[D]. 刘育明.浙江大学. 2006
[6]  
工业过程运行状态智能监控[M]. 化学工业出版社 , 赵春晖, 2019
[7]  
间歇过程统计监测与质量分析[M]. 科学出版社 , 赵春晖, 2014
[8]  
偏最小二乘回归方法及其应用[M]. 国防工业出版社 , 王惠文著, 1999
[9]  
Sparse canonical variate analysis approach for process monitoring[J] . Qiugang Lu,Benben Jiang,R. Bhushan Gopaluni,Philip D. Loewen,Richard D. Braatz.Journal of Process Control . 2018
[10]  
Regression on dynamic PLS structures for supervised learning of dynamic data[J] . Yining Dong,S. Joe Qin.Journal of Process Control . 2018
12345678