间歇过程故障诊断及舵机状态监控研究

发布时间：2020-10-11 14:11

　　 现代工业随着技术的不断进步对系统的安全性和可靠性催生了更高的要求,故障诊断技术因此也逐渐发展起来。舵机是民用飞机飞控系统的核心执行机构,驱动升降舵、副翼和方向舵等舵面的偏转,实现对飞机姿态和轨迹的控制。由于其复杂的非线性闭环系统结构,舵机属于故障易发系统。而民用航空的运行对机载部件的安全性和可靠性要求极高,因此研究基于数据驱动算法的间歇过程故障诊断及舵机状态监控技术意义重大。论文以舵机为研究对象,基于现有故障诊断技术,从近邻传播聚类分析、主成分分析和多向主成分分析三个方面系统研究了基于过程的多元统计分析方法,主要开展了下列独立性的研究工作:提出基于改进的近邻传播(AP)聚类和子时段相似度递减扫描(PSDS)的两阶段法,对间歇过程数据进行分段建模和监控。首先,为了提取模型切换的动态特性,用更能反映复杂间歇过程数据特征趋势的相似度度量方法改进经典AP聚类,然后用改进的AP聚类算法进行采样数据的预划分。其次,考虑预划分得到的子时段的内部相关性特征也存在显著变化,本文提出新的PSDS算法对子时段再次进行细划分,并经过特征识别将所有采样数据最终划分为稳定和过渡部分。同时,在建模过程中,也提出了离群点和误分类点的概念和解决办法。针对间歇过程故障诊断中普遍存在的时序问题、批次不等长和轨迹不同步问题,本文进一步提出了基于顺序移动主成分分析(SMPCA)算法的多时段过程监控计划。首先,用SMPCA算法对不等长的间歇数据进行按时序的多时段划分,SMPCA模型的不断更新解释了采样数据的动态多时段特性。然后,通过提取局部SMPCA模型的特征空间并为关键变量建立相似度演变指标,揭示了过程数据变化的趋势。最后,提出模块化的建模方法解决了批次不等长及轨迹不同步的问题,并用有区分的监控和二次监控技术提高了模型的整体监控性能。为了验证所提算法的性能,用舵机实验平台的采样数据进行状态监控。通过实际实验和对比分析,验证了所提算法具有相对更为可靠的状态监控性能。
【学位单位】：中国民航大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：V267
【部分图文】：

按照某种产品的一个完整的生产周期做重复性的生产，得到批量的相同产品是对过程的通俗描述。在这个描述中，考虑一个过程变量数为 J 的特定间歇过程在一个内的采样时间为K ，那么这样一个周期的采样数据便可以用一个二维的数据阵来表为 X K J ，即在每一个采样时间都会对应采集到这个过程的所有 J 个变量。如这个生产周期重复I 个批次，则构成了I 个这样的数据阵，用三维数据的形式表示为 X I K J 。如图 1-1 所示，典型的间歇数据包括纵轴的采样批次 I (i 1, 轴的观测变量 J j 1, ,J 和斜轴的样本量。将间歇过程所产生的三维数据矩阵展成二维数据矩阵可以采取多种不同的方法。一种常用的展开方法是：将三维数据矩 沿着时间轴K 作垂直切分，然后将每一个通过切分得到的 I J 切片依次向右水列，则构成一个新的二维数据矩阵 I KJ .

聚类结果更加稳定和可靠。本质上，在初始迭代过程中，AP 聚类将每一个作为输入量，通过规定两种信息并在类的目的。中，样本点之间的相似度是用欧式距相似度可表示为：2k x种信息为吸引度 r i ,k 和归属度 a i ,k i的样本点的聚类中心的证据。a i ,k 表聚类中心的合适程度。两者之间的信

图 2-2 AP 聚类信息传递示意图迭代规则的具体数学表达式如公式（2 '' 'max , ,k k a i k s i k ''.' 0, , max 0, , ,ax 0, , ,i i kr k k r i k i r i k i 1, ,t t r i k r i k 1, ,t t a i k a i k 性的阻尼因子。A）
【相似文献】

相关期刊论文 前10条

1 唐晓初;李元;;基于阶段累积模型的多阶段间歇过程质量预测[J];沈阳化工大学学报;2017年01期

2 宋建成;;探讨化工间歇过程的控制策略[J];化工自动化及仪表;1990年01期

3 章寅源;;探讨间歇过程控制的设计描述方法[J];炼油化工自动化;1993年04期

4 张绪红;肖应旺;;基于多向核偏最小二乘的间歇过程在线监控（英文）[J];计算机与应用化学;2017年06期

5 周景振,韩曾晋;间歇过程操作单元模糊自适应控制器及其应用[J];控制理论与应用;1999年05期

6 李华文;间歇过程中稳定控制器的设计[J];河北轻化工学院学报;1997年01期

7 胡瑾秋;郭放;张来斌;;基于趋势分析的间歇过程异常工况超早期报警研究[J];石油学报(石油加工);2018年01期

8 邱彤，曲德林，朱兵，刘福祯;多目的间歇过程短期排程的柔性研究[J];化工技术经济;1996年01期

9 王保国,王春艳,许锡恩;间歇化工过程与计算机应用[J];精细化工;1997年05期

10 张猛;许鋆;罗雄麟;;基于堆叠自适应链接超平面模型的间歇过程批次间优化控制[J];计算机与应用化学;2018年07期

相关博士学位论文 前10条

1 刘伟旻;间歇过程测量数据异常智能检测方法研究[D];北京化工大学;2018年

2 王锡昌;基于局部偏最小二乘的间歇过程质量预测研究[D];北京工业大学;2017年

3 陆鹏程;间歇生产过程经济模型预测控制理论与应用[D];浙江大学;2019年

4 唐晓初;基于统计模型的多阶段间歇过程在线质量预测与过程监测[D];东北大学;2015年

5 谢磊;间歇过程统计性能监控研究[D];浙江大学;2005年

6 李赣平;基于智能计算的过程控制与优化若干研究[D];上海交通大学;2007年

7 秦岩;数据驱动的间歇过程监测与质量控制研究[D];浙江大学;2018年

8 王姝;基于数据的间歇过程故障诊断及预测方法研究[D];东北大学;2010年

9 赵春晖;多时段间歇过程统计建模、在线监测及质量预报[D];东北大学;2009年

10 杨霞;间歇过程用水网络综合的研究[D];青岛科技大学;2008年

相关硕士学位论文 前10条

1 张娜;间歇过程故障诊断及舵机状态监控研究[D];中国民航大学;2019年

2 王硕;基于深度学习的间歇过程故障检测与诊断方法[D];杭州电子科技大学;2019年

3 邵盟雅;基于K-means最佳聚类与随机投影的间歇过程故障诊断[D];河北师范大学;2019年

4 张琛琛;基于多向核熵成分分析的间歇过程故障检测方法研究[D];中国石油大学(华东);2017年

5 程相;基于过程迁移模型的间歇过程质量预测与运行优化方法研究[D];中国矿业大学;2019年

6 刘晓凤;隐空间下间歇过程操作变量曲线迭代优化[D];江南大学;2019年

7 熊欢;基于贝叶斯统计分析的多模态间歇过程模态识别方法研究[D];北京化工大学;2018年

8 仇力;基于主元相似度的间歇过程操作曲线优化[D];江南大学;2018年

9 郑皓;面向多阶段间歇过程的故障监测方法改进研究[D];江南大学;2018年

10 王英赫;基于模糊聚类的间歇过程故障诊断的研究[D];哈尔滨理工大学;2018年

本文编号：2836693