造纸废水处理过程监测研究开题报告

1. 研究目的与意义

随着科技的不断进步、现代化工业的飞速发展，全球水污染十分严重。保护水资源已成为当今全球保护环境的主旋律之一。而废水处理作为解决水污染问题的一个有效措施，是各国环境保护关注的焦点，同时也是全球各行业争相引进的技术。造纸行业是消耗水资源最多的行业之一，我国作为一个造纸大国，废水处理不仅是造纸企业为达到国家废水排放标准，而且是企业为产生更多生产效益的手段。为此，企业引进自动化技术，进行计算机控制，然而在工业过程中出现异常或故障仍需操作人员解决，但由于操作人员自身能力和经验等限制，易做出错误的判断和操作，这时不但不能使机子及时恢复正常运行，而且可能会造成更大的事故^[1,2,3]。由此可以看出，企业很需引进计算机控制的过程监测技术。同时，随着科学技术的发展，现代工业过程的复杂程度越来越高，并且人们对工业生产过程中的安全性和效益性有了更高的要求，过程监控和故障诊断技术也显得十分重要^[4,5,6]。

过程监测包括故障检测和诊断技术以及故障的对策和修复等，通过对系统的运行状态进行监视，不断地给操作人员提供定量和定性的分析，以便操作人员及时了解运行状态，防止事故发生和产品效益损耗。上个世纪七十年代初，美国学者beard提出了利用解析冗余替代物理冗余的故障检测和诊断的思想，由此为过程监测理论奠定了基础。过程监测技术应用领域以及涉及的方法都十分广泛^[7]。过程监测领域涉及的主要方法分为：基于知识的方法、基于定理的数学模型的方法（又称解析模型方法）和基于数据驱动的方法三类。此方法自上世纪九十年代得到学者和工业领域的关注，一方面，该方法对过程机理和操作人员的经验知识要求不高；另一方面，计算机数据信号处理技术的发展使过程监测有了技术帮助。因此，现代工业广泛应用基于数据的过程监测方法。基于数据的过程监测方法包括定性和定量分析，其中定量包括非统计类和统计类^[7,8,9]。最常用的多元统计方法有主元分析法(principal component analysis, pca)、偏最小二乘法(partial least squares, pls)、独立主元分析法(independent component analysis, ica)和费歇尔判别法(fisher discriminant analysis, fda)^[10,11]。

造纸行业的废水处理系统存在着不确定性、复杂性、非线性、滞后性和时变性等特点^[12]，传统的控制方法较难满足废水处理过程监测的高效率、高精度和高稳定性等特点^[13]，基于知识的方法和基于定理的数学模型的方法已不适用于造纸废水处理过程监测。因此，我们采用基于数据的过程监测方法中的多元统计方法。

2. 国内外研究现状分析

在实际的控制系统中，由于工艺和技术的局限性，许多的过程变量无法实时监测出来。为了解决这些问题，国内外对PCA和PLS进行了大量的研究。国内北京科技大学马洁发表的基于MSPM的故障诊断技术研究现状与展望对MSPM技术中的PCA算法故障预测研究进行了介绍^[10]；国内纪洪泉发表的基于多元统计分析的故障检测方法对多元统计分析法进行了系统的介绍^[4]；浙江大学李荣雨对基于PCA统计过程监控进行了研究，提出两种图形化的线性静态系统故障隔离方法^[1]；国外Kramer最早提出基于神经网络的非线性PCA；Venkatasubramanian将基于人工智能的方法也包含在基于数据驱动的方法中，并将基于数据驱动的方法从定性和定量两个角度分析；Nomikos和MacGregor提出基于多向主元分析（MPCA）和多向PLS（MPLS）的过程监控方法。郭明以主元分析为主线，针对不同的工业过程对象的特点，对传统的PCA作了不同程度的改进，提出了新得监控方法。

造纸行业消耗资源大，尤其是水资源，所以废水处理成为造纸企业减少成本和提高生产效益的措施。然而废水处理系统存在着不确定性、复杂性、非线性、滞后性和时变性等特点，需要做好过程监测才能更好地实现废水处理。主元分析法和偏最小二乘法都是被广泛使用的用来研究分析的方法。国内的学者对于废水处理过程监测^[28,29,30]进行相关研究，对以后的处理方法也有了大量的展望，为我的研究提供了大量的借鉴材料。

3. 研究的基本内容与计划

本文的主要任务是造纸废水处理过程监测研究，所展开的主要工作包括：

(1)简要介绍过程监测基于数据的方法中的多元统计法，即包括多元统计中的主元分析法（pca）和偏最小二乘法（pls）；

(2)运用已有的造纸废水处理厂实际数据（包含8个变量，170组数据），验证主元分析算法和偏最小二乘法在过程监测算法的实现过程；

4. 研究创新点

1.2.1基于pca算法的故障检测

主元分析法(principal component analysis, pca)最早由pearson于1901年提出^[20,21]，随后很多学者对其进行了深入研究，使其理论逐步完善，如fisher and mackenzie和hotelling 等人的研究^[17,18,19]。pca方法的算法简单、计算量小、适应性强、更加容易实现，可以处理带有测量噪声、干扰、误差以及数据缺失的多元相关数据。pca方法是将高维数据空间投影到正交的低维主元空间^[16]，并且因为低维主元空间可以保留原始数据空间的大部分方差信息，所以原始数据空间的冗余信息可以被去除掉^[14]。在监控过程中，pca将过程变量分解成两个空间：主元子空间和残差子空间。主元子空间是用来反映过程变量的主要变化，而残差子空间是主要反映过程的噪声和干扰等的，由此通过两个空间的综合指标或者是统计指标为标准来监测^[16,22]。

主元分析法(pca)从数学角度看，它利用奇异值分解测量数据矩阵的协方差矩阵得到的。假设代表包含个测量的样本向量，每个测量都有个独立采样，构造数据矩阵,标准化处理该样本,其中每一行对应一个样本，每一列对应一个变量。矩阵x可以分解成m个向量的外积之和，即