基于可預測偏最小二乘算法的復雜工況過程的監(jiān)控技術.pdf

1、隨著信息采集、傳輸、存儲和處理技術的不斷發(fā)展，工業(yè)過程中有大量反映生產過程和設備運行的數據被采集和存儲，如何有效地利用這些離線和在線數據，提取出能夠反映工業(yè)過程特征的信息，用于工業(yè)過程的監(jiān)控，以此保證設備安全運行，提高生產效率和產品質量，成為了目前故障檢測與診斷領域的重點研究內容?；跀祿寗拥倪^程監(jiān)控技術應運而生，已成為未來過程監(jiān)控技術的重要發(fā)展方向。可預測元分析(ForeCA)作為新興的數據降維技術，它能夠找到一個最優(yōu)的轉換方式將多

2、變量時間序列分解為一個可預測空間和一個白噪聲空間。分解得到的可預測性因子能夠反映過程的本質特征，這主要是由于該算法是從時間序列的角度出發(fā)，將過程數據的序列相關性考慮在內，且其將時域特性變換到頻域，在頻域利用信息熵來衡量不確定性，從而保證較好的可預測性。鑒于ForeCA算法的上述優(yōu)點，本文將其引入過程監(jiān)控領域，并將其用于回歸，與偏最小二乘(PLS)算法相結合，提出一種基于可預測偏最小二乘（ForePLS）的故障檢測模型，并利用其回歸預測性

3、能進行多故障診斷，最后將其與時間序列分析方法相結合實現(xiàn)對緩變故障的預測。為探索復雜工況下的故障檢測、診斷與預測方法做出了有益的嘗試。
　　本研究主要內容包括：⑴將ForeCA算法用于回歸并與PLS方法相結合，提出了可預測偏最小二乘（ForePLS）方法。該算法能夠提取出過程數據特征空間中與質量變量相關的可預測性特征。⑵將提出的ForePLS方法用于故障檢測，構建基于ForePLS的故障檢測模型，并根據ForePLS算法的特點構造了

4、CUSUM統(tǒng)計量和SPE統(tǒng)計量，用來進行故障的檢測。⑶提出了基于DForePLS回歸預測的多故障診斷方法，為了解決多類分類中的不平衡分類問題，將主動學習引入故障診斷領域，有目的地挑選邊界附近最有“信息量”的樣本進行訓練，避免了冗余樣本對分類器精度的影響，提高了分類器對故障樣本的識別能力，同時也提高了分類器的訓練效率。⑷將ForePLS模型與向量自回歸模型結合，提出了一種針對緩變故障的基于時間序列的故障預測方法。能夠有效防止這類緩變故障對