基于多元统计分析的过程微小故障监测与诊断研究
发布时间：2022-01-26 12:16
随着科技的发展和社会需求的增长,流程工业作为国民经济发展的重要基础,例如石油、化工、冶金、制药、食品等生产过程变得日趋大型化、集成化和自动化。其中,设备老化、环境漂移等引起的微小故障随着生产的进行,往往会造成重大生产事故,导致严重人身伤害、巨大财产损失甚至无可挽回的环境灾难。过程监测与故障诊断作为保障其安全平稳运行的关键技术得到了广泛关注与快速发展。依据流程工业生产工艺和采集的大量过程数据,采用多元统计分析方法建立过程监控模型,实现对微小故障的监测与诊断。主要工作如下:（1）.针对流程工业过程中出现的幅值较小、易与噪声混淆的微小故障,提出一种将多元指数加权滑动平均（MEWMA）与主元分析（PCA）相结合的MEWMA-PCA过程监测方法。首先应用多元指数加权滑动平均对原始采样数据进行滤波,剔除噪声;其次采用主元分析提取两类统计量T2与SPE,为简化监测过程,将上述统计量融合为单个联合指标,进而给出完整的过程监测流程;最后通过实例研究,验证了该监测方法的合理性。（2）.针对主元分析孤立地提取过程数据的特征,而忽略了数据自身及其相互之间的相关特性,因此提出基于规范变量分析（CVA）与多元指数...
【文章来源】：宁夏大学宁夏回族自治区 211工程院校
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
图２－２?ＡｆｆｉＦＡＭ模型滤波??
（１）故障１：阶跃扰动??变量ｘ２从第１００采样时刻按照Ｌ＝ｘ２－０．０】施加扰动，代表微小阶跃扰动。传统ＰＣ４方法??对仿真故障１的监测结果如图２－６所示：其中ＰＣｄ模型主元个数为３?，置信度为９９％的控制限，??图中黑色虚线表示故障引入点。可以看出Ｔ２指标对微小故障１的监测基本失效，＾丑指标由于??故障幅值较小，不能准确地对其进行监测；并且出现了监测结果冲突的问题，ｒ２指标全部处于??控制限之下，而＃五指标出现了部分故障点。??基于Ａ／￡＞ｆＭ４－ＰＣ４的过程监测方法对故障１的监测结果如图２－７所示：其中数据滤波的遗忘??因子ｐ?＝?０．１。在故障引入后（图中黒色虚线），该方法准确地监测到了过程出现的阶跃扰动故障。??１２?ｉ?１?＇?＇?＇?Ｉ?０．２??ｊ???■?＞???１??１０?Ｌ－．１?■?；??，?０．１５?１?１??０?２００?４００?６００?８００?１０００?０?２００?４００?６００?８００?１０００??采样数?采样数??图２－６尸０过程故障１监测??８??１?Ｉ?Ｉ?Ｉ?Ｉ??
宁夏大学硕士学位论文?第二章基于过程微小故障监测??（２）故障２：慢漂移扰动??变量Ｘ，从第１００采样时刻按照Ｌ?＝?Ａ?＋?０．００５?Ｘ?（／?—?１００）施加扰动，其中７为采样点的序列??数，在第９００采样时刻消失，代表慢漂移扰动故障。ＰＣ／（方法对仿真故障２的监测结果如图２－８??所示：同样选用置信度为９９％的控制限。由图可知，Ｔ２指标对微小故障２的监测失效；而５Ｐ五??指标在故障引入后虽有小幅度偏移，但由于此幅值较小，直至４００采样时刻后才监测到故障，滞??后非常严重。同时，：Ｔ２和五指标监测信息的相互冲突，也给操作人员带来极大的困扰。??
【参考文献】：
期刊论文
[1]基于状态空间主成分分析网络的故障检测方法[J]. 董顺,李益国,孙栓柱,刘西陲,沈炯. 化工学报. 2018(08)
[2]基于双层局部KPCA的非线性过程微小故障检测方法[J]. 邓晓刚,邓佳伟,曹玉苹,王磊. 化工学报. 2018(07)
[3]基于数据驱动的微小故障诊断方法综述[J]. 文成林,吕菲亚,包哲静,刘妹琴. 自动化学报. 2016(09)
[4]一种基于GMM的多工况过程故障诊断方法[J]. 孙贤昌,田学民,张妮. 计算机与应用化学. 2014(01)
[5]微小故障诊断方法综述[J]. 李娟,周东华,司小胜,陈茂银,徐春红. 控制理论与应用. 2012(12)
[6]基于数据驱动的故障诊断方法综述[J]. 李晗,萧德云. 控制与决策. 2011(01)
[7]相对主元分析及其在数据压缩和故障诊断中的应用研究[J]. 文成林,胡静,王天真,陈志国. 自动化学报. 2008(09)
[8]基于MEWMA-PCA的微小故障检测方法研究及其应用[J]. 葛志强,杨春节,宋执环. 信息与控制. 2007(05)
[9]基于核规范变量分析的非线性故障诊断方法[J]. 邓晓刚,田学民. 控制与决策. 2006(10)
[10]主元空间中的故障重构方法研究[J]. 王海清,蒋宁. 化工学报. 2004(08)
博士论文
[1]基于独立分量分析的工业过程异常状态监测与诊断方法[D]. 郭辉.北京化工大学 2014
硕士论文
[1]基于改进主元分析的微小故障检测算法研究[D]. 柯亮.江南大学 2016
[2]基于主元分析的微小故障检测[D]. 郑茜予.华北电力大学 2015
[3]基于变量筛选的偏最小二乘回归方法及其应用[D]. 杨国栋.中南大学 2013
[4]基于数据分布特性的多变量过程监测及故障诊断[D]. 张淑美.东北大学 2011
本文编号：3610475
【文章来源】：宁夏大学宁夏回族自治区 211工程院校
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
图２－２?ＡｆｆｉＦＡＭ模型滤波??
（１）故障１：阶跃扰动??变量ｘ２从第１００采样时刻按照Ｌ＝ｘ２－０．０】施加扰动，代表微小阶跃扰动。传统ＰＣ４方法??对仿真故障１的监测结果如图２－６所示：其中ＰＣｄ模型主元个数为３?，置信度为９９％的控制限，??图中黑色虚线表示故障引入点。可以看出Ｔ２指标对微小故障１的监测基本失效，＾丑指标由于??故障幅值较小，不能准确地对其进行监测；并且出现了监测结果冲突的问题，ｒ２指标全部处于??控制限之下，而＃五指标出现了部分故障点。??基于Ａ／￡＞ｆＭ４－ＰＣ４的过程监测方法对故障１的监测结果如图２－７所示：其中数据滤波的遗忘??因子ｐ?＝?０．１。在故障引入后（图中黒色虚线），该方法准确地监测到了过程出现的阶跃扰动故障。??１２?ｉ?１?＇?＇?＇?Ｉ?０．２??ｊ???■?＞???１??１０?Ｌ－．１?■?；??，?０．１５?１?１??０?２００?４００?６００?８００?１０００?０?２００?４００?６００?８００?１０００??采样数?采样数??图２－６尸０过程故障１监测??８??１?Ｉ?Ｉ?Ｉ?Ｉ??
宁夏大学硕士学位论文?第二章基于过程微小故障监测??（２）故障２：慢漂移扰动??变量Ｘ，从第１００采样时刻按照Ｌ?＝?Ａ?＋?０．００５?Ｘ?（／?—?１００）施加扰动，其中７为采样点的序列??数，在第９００采样时刻消失，代表慢漂移扰动故障。ＰＣ／（方法对仿真故障２的监测结果如图２－８??所示：同样选用置信度为９９％的控制限。由图可知，Ｔ２指标对微小故障２的监测失效；而５Ｐ五??指标在故障引入后虽有小幅度偏移，但由于此幅值较小，直至４００采样时刻后才监测到故障，滞??后非常严重。同时，：Ｔ２和五指标监测信息的相互冲突，也给操作人员带来极大的困扰。??
【参考文献】：
期刊论文
[1]基于状态空间主成分分析网络的故障检测方法[J]. 董顺,李益国,孙栓柱,刘西陲,沈炯. 化工学报. 2018(08)
[2]基于双层局部KPCA的非线性过程微小故障检测方法[J]. 邓晓刚,邓佳伟,曹玉苹,王磊. 化工学报. 2018(07)
[3]基于数据驱动的微小故障诊断方法综述[J]. 文成林,吕菲亚,包哲静,刘妹琴. 自动化学报. 2016(09)
[4]一种基于GMM的多工况过程故障诊断方法[J]. 孙贤昌,田学民,张妮. 计算机与应用化学. 2014(01)
[5]微小故障诊断方法综述[J]. 李娟,周东华,司小胜,陈茂银,徐春红. 控制理论与应用. 2012(12)
[6]基于数据驱动的故障诊断方法综述[J]. 李晗,萧德云. 控制与决策. 2011(01)
[7]相对主元分析及其在数据压缩和故障诊断中的应用研究[J]. 文成林,胡静,王天真,陈志国. 自动化学报. 2008(09)
[8]基于MEWMA-PCA的微小故障检测方法研究及其应用[J]. 葛志强,杨春节,宋执环. 信息与控制. 2007(05)
[9]基于核规范变量分析的非线性故障诊断方法[J]. 邓晓刚,田学民. 控制与决策. 2006(10)
[10]主元空间中的故障重构方法研究[J]. 王海清,蒋宁. 化工学报. 2004(08)
博士论文
[1]基于独立分量分析的工业过程异常状态监测与诊断方法[D]. 郭辉.北京化工大学 2014
硕士论文
[1]基于改进主元分析的微小故障检测算法研究[D]. 柯亮.江南大学 2016
[2]基于主元分析的微小故障检测[D]. 郑茜予.华北电力大学 2015
[3]基于变量筛选的偏最小二乘回归方法及其应用[D]. 杨国栋.中南大学 2013
[4]基于数据分布特性的多变量过程监测及故障诊断[D]. 张淑美.东北大学 2011
本文编号：3610475
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3610475.html
