基于贝叶斯网络与多元统计分析的故障诊断方法研究

发布时间：2020-07-11 09:51

【摘要】：随着现代工业生产系统大型化和复杂化的迅速发展,为了保证生产过程安全、可靠、无故障的长期运行,过程监测与故障诊断已经成为控制领域最具有挑战性的研究方向之一。由于系统的复杂化,相关历史数据的不断增加,同时变量之间的关系也随之变得更加复杂,对于变量之间因果关系的正确把握在很大程度上影响着故障诊断的准确性。基于多元统计分析的故障诊断方法是重要的过程监测与故障诊断方法之一,但当生产过程出现故障时,传统的基于多元统计分析的故障诊断方法在具有根部原因及因果关系问题的诊断上就略显不足。本文在国内外已有的研究成果的基础上,对变量之间存在着因果关系的故障诊断问题进行了系统和深入的研究,所做的主要工作为: 首先,利用领域专家所给出的领域知识,将其与贝叶斯网络结构学习算法PC算法相结合来建立变量之间的因果贝叶斯网络,通过在PC算法中适当的插入领域知识进行贝叶斯网络结构的学习,从而获得因果贝叶斯网络。 其次,在因果贝叶斯网络以及对现有的基于多元统计分析的故障诊断方法分析的基础上,将因果贝叶斯网络与T 2分解法相结合,提出了一种基于贝叶斯网络与T 2分解法的故障诊断方法,通过建立基于贝叶斯网络的多元线性回归模型、进行基于T 2控制图的故障检测、统一分解方式以及建立分解方式所包含的所有分解项的判定界限识别出故障变量三个步骤来达到诊断目的; 最后,为了证明该方法的有效性和准确性,在以上工作的基础上,对一实例的单变量失控与多个变量同时失控的两种故障情况进行分析,将该方法的诊断结果与传统的基于单变量控制图、主成分分析、MYT正交分解的故障诊断方法的诊断结果进行比较,证明了本文提出的故障诊断方法是有效可行的。同时,对该方法与基于MYT正交分解的故障诊断方法进行了仿真实验,仿真实验是在31种故障模式下进行的,实验结果证明本文提出的故障诊断方法在准确性方面优于基于MYT正交分解的故障诊断方法,其诊断过程也比基于MYT正交分解的故障诊断方法便捷。
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2011
【分类号】：TH165.3
【图文】：

简介程中，影响最终产品质量的因素往往有多种，而这些变如果忽略它们之间的相关性，而用多个单变量控制图分控，往往会导致生产过程中的异常情况不容易被确认，会导出错误的结论。需要用两个变量1X 和2X 来表征，当两个变量相互独立个变量绘制单变量控制图进行监控。如图 2.1 所示，根样本均值1x 和2x 均在各自的控制限以内，就可以认为生2X 之间存在着相关关系时，其二元变量的联合控制区域.2 显示有一样本点位于椭圆控制区域之外，表示生产过程控时，监控的结果为处于受控状态。因此，当变量之间图会出现误判的情况。

图 2 两个变量不相互独立情况下的椭圆控制区域的复杂性不断加大，并且这些过程变量彼此之间存在着相关法做到准确的监控，因此对多个过程变量进行联合监控就显得虑多个具有相关关系变量的问题，就称为多变量统计过程控制控制图程的监控首推 Hotelling2T 控制图，其核心思想是通过新观察值来判断出界的异常点。图 2.1 的中心点 1 2O x ,x 为其数据的的直线距离为 2 21 1 2 2d x x x x

9 -1.4265 0.6709 0.278 -1.9863 0.233 6.575310 1.1584 0.7381 1.4313 0.2262 3.2942 16.5347图4.5 变量5X 发生均值偏移情况下的2T 控制图由图4.5可知，前9个样本均处在控制限的范围之内，而第10个样本明显超出控制限，为奇异值点，由此可以判断生产过程出现故障，第1~10个样本的2T 值列于表4.1中。接下来就是要确定生产过程中故障的产生具体是由哪个或者哪些变量引起的，即进行故障识别。4.4.3 故障识别根据式（4-17），对出界的2T 值进行分解，分解的结果为存在着 5 个分解项21T 、22T 、23 1,2T 、24 1T 和25 3,4T

【参考文献】

相关期刊论文 前4条

1 胡涛,吕炳朝,陈光

本文编号：2750246