基于MSPCA-KECA的工業(yè)過程故障監(jiān)測(cè)與診斷算法研究.pdf

1、隨著工業(yè)自動(dòng)化水平的不斷提高，各種智能儀表及分布式控制系統(tǒng)在實(shí)際工業(yè)過程中得到了廣泛的應(yīng)用，與此同時(shí)，反映過程運(yùn)行狀況的海量數(shù)據(jù)被采集并保存下來。因此，利用過程歷史數(shù)據(jù)進(jìn)行建模，提取正常運(yùn)行狀況下及已知故障發(fā)生時(shí)的統(tǒng)計(jì)規(guī)律，進(jìn)而實(shí)現(xiàn)對(duì)當(dāng)前過程的監(jiān)測(cè)及故障診斷，成為了故障檢測(cè)與診斷技術(shù)的一個(gè)研究熱點(diǎn)。然而，由于工業(yè)過程的自動(dòng)化系統(tǒng)規(guī)模大且復(fù)雜，這些數(shù)據(jù)都具有數(shù)據(jù)分布不確定性、非線性、多尺度性等特點(diǎn)，傳統(tǒng)的多元統(tǒng)計(jì)監(jiān)測(cè)方法大都對(duì)過程數(shù)據(jù)進(jìn)行

2、了理想化的假設(shè)，因此具有一定的局限性。本文針對(duì)工業(yè)過程的一些實(shí)際問題，對(duì)傳統(tǒng)的多元統(tǒng)計(jì)監(jiān)測(cè)技術(shù)進(jìn)行改進(jìn)，并提出一種基于MSPCA-KECA的過程故障監(jiān)測(cè)及診斷算法，有效解決過程數(shù)據(jù)存在的多尺度、非線性及數(shù)據(jù)分布不確定等問題。本文主要研究的內(nèi)容概括如下：
　　1）針對(duì)過程數(shù)據(jù)的非線性及數(shù)據(jù)分布的不確定性，提出一種基于核熵成分分析（Kernel Entropy Component Analysis, KECA）的故障監(jiān)測(cè)方法。該方法基

3、于數(shù)據(jù)直接展開分析而不需要對(duì)數(shù)據(jù)分布進(jìn)行假設(shè)，核方法的引入可以有效解決數(shù)據(jù)非線性問題，并且在將數(shù)據(jù)降維的過程中按照熵值大小提取特征，有效減少主元個(gè)數(shù)，減小后期計(jì)算量。同時(shí)，經(jīng) KECA降維后的數(shù)據(jù)分布呈現(xiàn)一定的角度結(jié)構(gòu)，基于此，引入一種新的統(tǒng)計(jì)量——CS（Cauchy-Schwarz）散度測(cè)度統(tǒng)計(jì)量。該統(tǒng)計(jì)量與KECA提取出特征數(shù)據(jù)的角度結(jié)構(gòu)相得益彰，相比傳統(tǒng)方法及其統(tǒng)計(jì)量，其在故障監(jiān)測(cè)方面有更好的表現(xiàn)。
　　2）針對(duì)過程數(shù)據(jù)的多

4、尺度性，提出一種改進(jìn)的多尺度主元分析（ Multi-scale Principle Component Analysis, MSPCA）數(shù)據(jù)預(yù)處理方法。當(dāng)故障發(fā)生的時(shí)間、位置及大小不同時(shí)，其體現(xiàn)在過程變量上的變化也不盡相同，其過程數(shù)據(jù)就表現(xiàn)為多尺度性。將數(shù)據(jù)進(jìn)行小波多尺度分解，運(yùn)用主元分析方法篩選出故障可能存在的尺度，將其重構(gòu)并再次運(yùn)用主元分析方法實(shí)現(xiàn)特征提取。仿真結(jié)果表明，該方法能夠有效提取數(shù)據(jù)多尺度信息，突出變量的變化。
　　

5、3）將MSPCA與KECA結(jié)合，提出一種故障診斷新策略。一方面，經(jīng)過預(yù)處理后的數(shù)據(jù)，過程的特征信息更加突出，有利于故障監(jiān)測(cè)及診斷；另一方面，KECA作為單一分類器，即每一個(gè)單一分類器對(duì)應(yīng)診斷一種故障，具有模型簡(jiǎn)單、運(yùn)算速度快、故障識(shí)別率高、更新方便等優(yōu)點(diǎn)。將該算法分別應(yīng)用于 TE（Tennessee Eastman）過程和ASHRAE1043-RP冷水機(jī)組過程，仿真結(jié)果表明該算法具有較好的實(shí)用價(jià)值。同時(shí)，在對(duì)冷水機(jī)組過程進(jìn)行仿真分析時(shí)，