基于數(shù)據(jù)驅(qū)動(dòng)的非線性過程故障診斷若干問題研究.pdf

1、隨著數(shù)字化技術(shù)的廣泛應(yīng)用以及網(wǎng)絡(luò)科技的快速發(fā)展，在大規(guī)?；ち鞒坦I(yè)中所采集到的時(shí)間序列數(shù)據(jù)大都呈現(xiàn)出高維、非線性、不確定性以及不完整性等特征，這對(duì)傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)提出了巨大的挑戰(zhàn)。與傳統(tǒng)的數(shù)據(jù)分析相比，統(tǒng)計(jì)學(xué)習(xí)理論憑借著良好的可理解性以及對(duì)不確定性的容忍性已經(jīng)引起了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。本論文主要以工業(yè)過程監(jiān)測(cè)為研究背景，以統(tǒng)計(jì)學(xué)習(xí)中的相關(guān)理論為基礎(chǔ)，集中解決了工業(yè)生產(chǎn)過程中所廣泛存在的不確定性以及非線性等問題，并在數(shù)值仿真與工

2、業(yè)流程數(shù)據(jù)上驗(yàn)證了所提出方法的有效性和可行性。本文主要的研究?jī)?nèi)容和貢獻(xiàn)如下:
　?、?針對(duì)多核學(xué)習(xí)中的非凸優(yōu)化問題，提出了一種基于非精確投影法的通用多核學(xué)習(xí)模型GCISP-MKL(Generalized Convexity-based Inexact Projection for Multiple KernelLearning)和相應(yīng)的學(xué)習(xí)算法，該方法在保證平滑性的同時(shí)能夠在有限內(nèi)存空間內(nèi)高效、準(zhǔn)確地收斂于駐點(diǎn)。對(duì)該模型廣義凸性的

3、理論研究發(fā)現(xiàn)，該通用模型的目標(biāo)函數(shù)是一種嚴(yán)格偽凸函數(shù)，而約束條件是一種偽線性函數(shù)，因此該優(yōu)化問題的原始問題及其對(duì)偶問題間是強(qiáng)對(duì)偶的。為了提高算法的計(jì)算效率，通過L-BFGS法對(duì)優(yōu)化問題中的Hessian矩陣進(jìn)行近似，這樣可以加快收斂速度。
　　Ⅱ.針對(duì)封裝式特征選擇方法所存在的特征單調(diào)性問題以及大規(guī)?；み^程數(shù)據(jù)中出現(xiàn)的維度爆炸問題，提出了一種基于多核技術(shù)的非單調(diào)特征選擇算法PrimMKL-FS(Primal method for

4、 Multiple Kernel Learning-based Feature Selection)。通過對(duì)多核學(xué)習(xí)的理論分析發(fā)現(xiàn)，核矩陣的權(quán)重項(xiàng)對(duì)數(shù)據(jù)特征的重要程度具有指示作用，以此為基礎(chǔ)建立了相應(yīng)的優(yōu)化問題，并提出了一種基于Nesterov投影梯度下降的優(yōu)化算法直接對(duì)優(yōu)化的原始問題搜索最優(yōu)解，并利用所得到的最優(yōu)組合權(quán)重對(duì)特征權(quán)重進(jìn)行分配。
　　Ⅲ.針對(duì)實(shí)際生產(chǎn)過程中變量間的相關(guān)性難以滿足傳統(tǒng)分析法的基本假設(shè)（即觀測(cè)變量服從Ga

5、ussian分布），提出了一種基于獨(dú)立元分析-深度網(wǎng)絡(luò)的多變量統(tǒng)計(jì)過程監(jiān)測(cè)法ICA-Sparse Autoencoder。該方法利用獨(dú)立元分析法提取出非高斯分布中的隱含變量，對(duì)殘差序列運(yùn)用深度網(wǎng)絡(luò)以解決序列中的非線性問題。同時(shí)，在深度網(wǎng)絡(luò)中為了避免模型陷入局部極值，提出了一種受限Boltzmann機(jī)的預(yù)訓(xùn)練機(jī)制，并利用L-BFGS算法對(duì)深度網(wǎng)絡(luò)中的參數(shù)進(jìn)行更新優(yōu)化。
　?、?針對(duì)傳統(tǒng)多變量統(tǒng)計(jì)過程監(jiān)測(cè)法難以得到概率性輸出的問題，設(shè)

6、計(jì)出一種基于高斯混合模型的魯棒貝葉斯模型BRR(Bayesian Robust Regression)，該模型能夠有效處理系統(tǒng)中的非確定性，同時(shí)計(jì)算出后驗(yàn)概率。針對(duì)高斯混合模型中存在的兩個(gè)主要問題:對(duì)離群點(diǎn)缺乏魯棒性以及無(wú)窮問題，在模型中引入一種準(zhǔn)確度權(quán)重來(lái)識(shí)別出過程中的離群點(diǎn)和噪聲，并捕捉數(shù)據(jù)的局部特性;在逆協(xié)方差矩陣上放置了一種逆Wishart分布的先驗(yàn)知識(shí)以避免無(wú)窮問題的出現(xiàn);為了體現(xiàn)出模型成分重要程度的不同，將混合權(quán)重的先驗(yàn)設(shè)計(jì)

7、為一種基于混合比例概率性參數(shù)序列的Dirichlet分布。
　?、?針對(duì)有限高斯混合模型關(guān)于混合模型的數(shù)量易產(chǎn)生過擬合現(xiàn)象的問題，提出了一種基于Dirichlet混合過程模型的非參數(shù)Bayesian故障診斷方法。該模型通過假設(shè)樣本中存在無(wú)限數(shù)量的簇，在后驗(yàn)中可以得到關(guān)于簇的數(shù)量、簇中的數(shù)據(jù)和簇相關(guān)參數(shù)的分布，在一定程度上避免了過擬合現(xiàn)象的出現(xiàn)。該方法對(duì)于混合權(quán)重附加了一種先驗(yàn)分布，并利用stick-breaking構(gòu)造法建立起一種