基于数据驱动的化工过程故障监测与诊断研究

发布时间：2017-07-05 12:02

  本文关键词：基于数据驱动的化工过程故障监测与诊断研究

  更多相关文章： 小波变换 多尺度主元分析 自适应的模糊神经网络 过程监测 故障诊断

【摘要】：随着现代工业生产过程的大型化和复杂化，迫切需要提高工业生产过程系统的可靠性和安全性，使得事故发生甚至系统崩溃所造成的经济损失得以避免，因此能够准确及时的检测，诊断和消除故障成为研究的重点之一，并且具有重要的现实意义。 复杂的工业过程中精确的数学模型很难建立，但过程数据很容易获得，因此对基于数据驱动方法的研究具有重要的理论价值和广泛的应用价值。目前，，随着控制理论、信息技术等领域的逐渐发展，过程的故障诊断技术也得到了更加深入的发展。 本文的主要研究内容是以小波分析和主元分析(Prineipal Component Analysis,PCA)的基本理论为基础，将主元分析PCA去线性变量相关性的能力与小波变换提取变量局部特征和近似分解变量自相关性的能力综合起来，提出一种改进的多尺度主元分析算法(Multiscale Principal Component Analysis, MSPCA)用于化工过程故障监测。在此基础上，对检测到的故障进行进一步诊断，提出一种统计学方法和模式识别方法(即自适应的模糊神经网络(ANFIS))相结合的故障诊断新策略。该方法通过MSPCA对数据进行特征提取，然后将特征值输入ANFIS分类器进行故障识别与诊断。完成的具体工作如下： (1)基于改进MSPCA的故障监测 针对化工过程中难以监测到的较小偏移性故障，提出了一种改进MSPCA的故障监测算法。首先利用小波阈值去噪的方法，消除原始过程数据中的大部分高频随机噪声，使得数据不受噪声的影响，然后利用小波分解将去噪后的数据分解成逼近系数和细节系数，分别在各个尺度上建立主元分析模型，对各个尺度小波系数消噪并重构得到综合尺度的故障监测模型。通过对化工过程—TE过程的仿真研究，验证了该方法的可行性和有效性。与传统PCA方法和传统MSPCA相比，改进MSPCA方法能有效、及时地监测到过程中的缓变故障。 (2)基于MSPCA-ANFIS的故障诊断 当故障被检测到后，需要进一步对故障进行识别与诊断。为此，本文提出一种基于MSPCA-ANFIS的故障诊断新策略。该方法采用前述MSPCA方法提取的特征作为ANFIS分类器的输入，然后用ANFIS分类器进行故障识别。通过特征提取将高维的输入变量转变成低维的，同时保留重要的特征信息用于故障诊断。ANFIS是一个多输入单输出的系统，如果只用一个ANFIS分类器对所有故障进行诊断，这样会增加网络结构的复杂性和降低诊断能力。因此，本文采用多个ANFIS分类器进行故障诊断，以此提高故障诊断的速度和有效性，同时降低了算法的复杂度，易于工业实现。通过对TE过程的仿真研究，验证了该方法的可行性和有效性。
【关键词】：小波变换 多尺度主元分析 自适应的模糊神经网络 过程监测 故障诊断
【学位授予单位】：内蒙古工业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH165.3
【目录】：

• 摘要3-5
• Abstract5-9
• 第一章 绪论9-17
• 1.1 研究背景与意义9-10
• 1.1.1 故障的基本含义9-10
• 1.1.2 故障诊断的研究内容10
• 1.2 故障诊断方法介绍10-12
• 1.2.1 定性分析方法11
• 1.2.2 定量分析方法11-12
• 1.3 多元统计过程监测研究现状12-15
• 1.3.1 传统的多元统计分析方法12-13
• 1.3.2 传统方法的改进13-15
• 1.4 本文的研究内容15-17
• 第二章 数据驱动方法理论17-27
• 2.1 小波分析法17-21
• 2.1.1 小波变换的原理17-21
• 2.2 主成分分析21-23
• 2.2.1 主元分析理论22-23
• 2.2.2 主元分析的几何阐述23
• 2.3 自适应模糊神经网络23-26
• 2.3.1 网络结构24-25
• 2.3.2 学习算法25-26
• 2.4 本章小结26-27
• 第三章 基于改进 MSPCA 的故障监测27-39
• 3.1 引言27
• 3.2 小波阈值去噪27-29
• 3.3 多尺度主元分析29
• 3.4 改进多尺度主元分析29-31
• 3.5 仿真实验研究31-37
• 3.5.1 Tennessee Eastman 过程描述31-33
• 3.5.2 数据集33
• 3.5.3 监测结果分析与讨论33-37
• 3.6 本章小结37-39
• 第四章 基于 MSPCA-ANFIS 的故障诊断39-49
• 4.1 引言39
• 4.2 MSPCA-ANFIS 故障诊断策略39-41
• 4.2.1 离线建模40-41
• 4.2.2 在线诊断41
• 4.3 TE 过程仿真实验研究41-48
• 4.3.1 故障 1 的诊断41-43
• 4.3.2 故障 5 的诊断43-45
• 4.3.3 其他故障诊断情况45-47
• 4.3.4 故障诊断算法的性能评估47-48
• 4.4 本章小结48-49
• 第五章 总结和展望49-51
• 5.1 结论49-50
• 5.2 未来的工作展望50-51
• 参考文献51-56
• 致谢56-57
• 作者简介57-58

【相似文献】

中国期刊全文数据库 前10条

1 谢(王争);潘莉;;大型自动化控制系统的故障监测[J];电气传动;1996年05期

2 张林，黄战;智能化故障监测与诊断方法[J];深圳大学学报;1995年Z1期

3 王永;梁伟光;韩飞;周建亮;;基于证据理论的振动发散故障监测方法[J];振动.测试与诊断;2011年04期

4 林瑞锋;;旋转式机械的故障监测方法探析[J];科技创新导报;2012年02期

5 刘宏亮;刘海峰;岳国良;高树国;;电容式电压互感器的运行故障监测[J];电力电容器与无功补偿;2011年03期

6 朱名铨,姬中岳;故障监测系统的性能评价[J];振动、测试与诊断;1992年03期

7 吴永桥,余小华,黎明发;电梯故障监测保护器的研制[J];武汉理工大学学报(信息与管理工程版);2001年01期

8 苏静;刘跃军;刘峰;;一种实时故障监测系统的设计[J];河南科技大学学报(自然科学版);2010年02期

9 马翠红,杨友良;一种实用的单片机故障监测报警系统[J];电气传动;1997年04期

10 黄灵芝,刘玉军;变频器信号采集、分析及故障监测系统[J];仪表技术;2005年03期

中国重要会议论文全文数据库 前5条

1 陈斌;刘亚杰;;电子设备分布式远程智能故障监测系统[A];舰船电子装备维修理论与应用——中国造船工程学会电子修理学组第四届年会暨信息装备保障研讨会论文集[C];2005年

2 王树德;孙万华;;反应堆控制保护装置中的故障监测模块[A];第8届全国核电子学与核探测技术学术年会论文集（二）[C];1996年

3 武兵;张宏;熊诗波;林健;;PCA方法在Multi-Agent智能故障监测系统中的应用[A];2007年中国智能自动化会议论文集[C];2007年

4 孙垎;李永刚;李海波;;基于VB的OPC技术在电机故障监测中的应用[A];2006北京地区高校研究生学术交流会——通信与信息技术会议论文集（上）[C];2006年

5 叶晓明;;设备故障监测与诊断技术在炼油厂烟气发电机组中的应用[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

中国博士学位论文全文数据库 前2条

1 刘小平;提升机故障智能诊断理论及应用[D];中国矿业大学;2013年

2 张月蓉;基于瞬态模型的大流量调节阀故障监测与诊断方法的研究[D];山东大学;2012年

中国硕士学位论文全文数据库 前10条

1 陈修哲;面向发酵过程故障监测和质量预报的研究与应用[D];北京工业大学;2011年

2 刘宇航;基于主成分分析的故障监测方法及其应用研究[D];华东理工大学;2012年

3 徐向明;动力炉控制系统故障监测和诊断系统的设计与实现[D];电子科技大学;2012年

4 王胜红;远程故障监测、诊断、维护系统中的网络数据传输安全研究[D];南京理工大学;2003年

5 李强;风力发电机局部放电故障监测系统的研究[D];兰州理工大学;2013年

6 孙炜;网络故障监测与报修系统的设计[D];吉林大学;2014年

7 张剑;基于FA-KICA算法的平整花故障监测的研究与实现[D];华东理工大学;2011年

8 李立;基于数据驱动的化工过程故障监测与诊断研究[D];内蒙古工业大学;2014年

9 黄新剑;基于ARM的数控（CN）机床伺服系统的故障监测研究[D];西北农林科技大学;2009年

10 杨驰;油田电网故障监测软件系统的研究与应用[D];东北石油大学;2011年

本文编号：521843