基于田納西一伊斯曼過程故障檢測方法研究.pdf

1、多變量統(tǒng)計過程控制方法(MSPC)已經被廣泛地應用于關于化工過程的監(jiān)測研究，并且得到了專家和學者們的重視。由于化工過程的監(jiān)測算法可以通過田納西-伊斯曼(TE)數(shù)據(jù)來驗證提出的算法有效性和可行性，美國Eastman化學公司的Downs和Voge l根據(jù)該公司一個實際的化工聯(lián)合反應過程，開發(fā)的TEBe nchmark實驗平臺，并由該平臺產生TE數(shù)據(jù)。因此，本論文主要的研究對象是TE數(shù)據(jù)，針對復雜的工業(yè)過程，提出了以下幾種有效的過程監(jiān)測方法。

2、
　　(1)針對復雜工業(yè)過程中的非線性和非高斯信息問題，建立了一種新的基于主成分分析和支持向量數(shù)據(jù)描述(PCA-SVDD)的故障檢測模型。由于支持向量數(shù)據(jù)描述(SVDD)模型具有不受線性和高斯假設的限制的優(yōu)點，克服了傳統(tǒng)主成分分析(PCA)統(tǒng)計檢測方法假設過程滿足線性和高斯分布的缺點。首先，應用主成分分析法對過程數(shù)據(jù)進行分解，提取出得分矩陣信息。然后，采用支持向量數(shù)據(jù)描述(SVDD)算法對得分矩陣建立基于距離的統(tǒng)計量并構建其相應的

3、統(tǒng)計限。最后，通過TE數(shù)據(jù)的仿真實驗說明了本章算法的有效性和可行性，而且提高了對故障的檢測率。
　　(2)針對化工過程監(jiān)測的數(shù)據(jù)可能含有稀疏噪聲的情況。提出了魯棒主成分分析和支持向量數(shù)據(jù)描述(RPCA-SVDD)的故障檢測模型。由于魯棒主成分分析(RPCA)不僅能從稀疏噪聲污染數(shù)據(jù)中恢復出低秩矩陣數(shù)據(jù)，而且支持向量數(shù)據(jù)描述(SVDD)算法能克服數(shù)據(jù)滿足線性和高斯假設的不足。采用加速近端梯度(AP G)算法來實現(xiàn)對魯棒主成分分析的求

4、解。最后，通過對田納西-伊斯曼(TE)仿真實驗證明了該章提出的算法是可行性的。結果說明了該章提出的算法有效地改善了故障的監(jiān)測效果。
　　(3)針對實際的工業(yè)過程產生的數(shù)據(jù)會受較大的且稀疏噪聲污染，因此采用傳統(tǒng)主成分分析(PCA)處理此類數(shù)據(jù)效果不佳。低秩矩陣與稀疏分解(LRSD)能夠分解出高維數(shù)據(jù)中反應本質的低秩矩陣數(shù)據(jù)，且不受到稀疏噪聲影響的優(yōu)點，本章提出了一種基于低秩矩陣與稀疏分解和主元分析(LRSD-PCA)故障檢測方法。首