基于核主元分析的過程監(jiān)測(cè)方法研究.pdf

1、工業(yè)過程中采集的樣本中，各變量之間存在非線性特性，利用主元分析方法(PCA)對(duì)數(shù)據(jù)的提取不十分充分，容易造成信息丟失。其次，非線性工業(yè)過程中往往存在多種工作模式，不同工作模式下的過程數(shù)據(jù)呈現(xiàn)不同的統(tǒng)計(jì)特性，利用全局核主元方法(KPCA)對(duì)其進(jìn)行故障檢測(cè)沒有分析每個(gè)模式的特殊特性，可能導(dǎo)致故障漏報(bào)。當(dāng)故障被檢測(cè)出來以后，我們希望找到故障產(chǎn)生的原因，進(jìn)行故障診斷。故障重構(gòu)是故障診斷的一個(gè)步驟。傳統(tǒng)的基于KPCA的故障重構(gòu)方法只通過分析正常數(shù)

2、據(jù)提取故障方向，忽略了故障數(shù)據(jù)與正常數(shù)據(jù)之間的關(guān)系。針對(duì)以上問題本文主要做了以下研究工作:
　　(1)本文針對(duì)非線性多模式過程監(jiān)測(cè)問題提出一種基于局部核主元分析(LKPCA)的多模式故障檢測(cè)方法。該方法利用K均值聚類對(duì)多模式數(shù)據(jù)進(jìn)行模式劃分，得到反映采樣點(diǎn)所屬模式的權(quán)值矩陣W。將數(shù)據(jù)映射到高維空間中，利用核函數(shù)方法及W使各個(gè)模式數(shù)據(jù)協(xié)方差最大來提取反映數(shù)據(jù)共同特性的公共信息。其次對(duì)特殊信息進(jìn)行分類并建模。對(duì)公共信息和特殊信息分別進(jìn)

3、行故障檢測(cè)。將基于LKPCA的多模式故障檢測(cè)方法應(yīng)用于電熔鎂生產(chǎn)過程監(jiān)測(cè)中，驗(yàn)證該方法能夠有效檢測(cè)出非線性多模式過程的故障。同時(shí)與KPCA及局部PCA方法進(jìn)行比較，證明該方法的優(yōu)越性。
　　(2)針對(duì)非線性過程的故障重構(gòu)問題，本文提出一種基于故障相關(guān)的KPCA故障重構(gòu)方法(FRKPCA)。該方法以正常數(shù)據(jù)和故障數(shù)據(jù)作為歷史數(shù)據(jù)，并將其映射到高維特征空間中。利用正常數(shù)據(jù)的KPCA模型將故障數(shù)據(jù)分解為主元子空間(PCS)和殘差子空間(