基于非線性主元分析的間歇過程故障診斷方法.pdf

1、間歇過程在現(xiàn)代生產中所占的比重越來越大。切實保障間歇過程生產的安全可靠運行對保證工作人員的生命與健康、環(huán)境的可持續(xù)發(fā)展,提高產品質量和經濟效益都有很重要的意義。因此,間歇過程故障診斷技術正日益受到工業(yè)界和學術界的關注和重視。本文針對間歇過程的非線性等特點,對多向主元分析方法進行改進,以提高間歇過程故障檢測的性能。論文的主要研究內容如下:
　　 首先針對間歇過程數(shù)據(jù)中存在的強非線性以及測量數(shù)據(jù)含噪問題,給出了一種基于小波變換多向核

2、主元分析(WT-MKPCA)的間歇過程故障檢測方法。該方法首先利用非線性小波變換閾值法去除測量數(shù)據(jù)噪聲,提取有效信息:然后利用核函數(shù)將數(shù)據(jù)從低維非線性空間映射到高維線性空間,進行線性主元分析,并建立監(jiān)控模型。在盤尼西林發(fā)酵過程上進行故障檢測仿真,結果表明:該方法能夠有效抑制測量噪聲,并能提取過程的非線性特征。相比MKPCA算法,能夠提前檢測到故障的發(fā)生,并減少誤報和漏報。
　　 為了進一步考慮間歇過程的動態(tài)特性,在非線性主元分析

3、方法的基礎上,給出了一種批動態(tài)核主元分析(BDKPCA)算法。該算法利用核函數(shù)的方法提取過程的非線性特征,并通過構造ARMAX時間序列模型的方法提取過程的動態(tài)特性;然后對提取的特征進行分析,得到主成分,并利用T2和SPE統(tǒng)計量監(jiān)控過程是否有故障發(fā)生。同時,間歇過程的樣本數(shù)量多且含有批次信息,導致核矩陣的計算量大、求解困難。為了解決這一問題,首先利用特征樣本選擇(FVS)的方法從原始輸入樣本集中提取特征樣本,大大壓縮樣本數(shù)目,然后僅基于提

4、取的特征樣本進行批動態(tài)核主元分析。對盤尼西林發(fā)酵過程的監(jiān)控結果顯示:與MKPCA方法比較,BDKPCA算法的故障檢測時間明顯提前,并且檢測故障時更靈敏,該算法對非線性動態(tài)過程表現(xiàn)出優(yōu)越的檢測能力。
　　 傳統(tǒng)的基于單類支持向量機(OCSVM)的故障檢測方法,利用PCA算法提取過程的線性靜態(tài)特征,然后進行分類。對于非線性動態(tài)間歇過程,上述方法并不適用。本文利用批動態(tài)核主元分析方法提取過程特征,給出一種BDKPCA-OCSVM算法。