基于高维时间序列分析的多模态工业过程监测方法研究

发布时间：2017-08-10 19:20

  本文关键词：基于高维时间序列分析的多模态工业过程监测方法研究

  更多相关文章： 多模态过程 模态聚类 小波变换 核主元分析 在线监测

【摘要】：以发酵过程为代表的多模态工业过程是现代生物工业的主要生产方式之一,多模态工业过程的动态特性、时效性、非线性、批次间差异性和多操作阶段性等都给其监测带来了困难,研究有效的监测方法对改善发酵生产过程的品质具有重要价值。现有基于多变量统计分析的监测方法中,没有考虑非平稳的控制输入对监测结果的影响,导致误报率增加。本课题针对控制输入对间歇过程阶段划分及其监测的影响,将小波变换(Wavelet Transformation, WT)、核主元分析(Kernal Principle Component Analysis, KPCA).以及模糊C均值(Fuzzy C-Means, FCM)聚类等方法有机相结合,提出了一种新的用于间歇过程阶段划分方法,并将之应用于间歇过程的分段监测,能够避免控制输入突变对监测的影响,提高了监测结果的可靠性。本文在基于PCA的间歇过程模态聚类方法的基础上,研究了基于WT-KPCA和FCM的间歇过程模态聚类方法,该方法利用系统瞬时脉冲响应函数代替观测序列进行阶段划分,与传统基于PCA的阶段划分方法相比,WT-KPCA方法依据系统的瞬时动态特性进行阶段划分,能够避免控制输入数据的不连续突变对分段结果的影响；研究了依据分段结果的间歇过程子阶段建模,并研究了阶段模型的融合方法,提出了一种联合加权支持向量机(Jointed Weighted Support Vector Machine, JW-SVM)建模方法,考虑了间歇过程整体对过渡过程的影响,能够有效提升模型精度；在线监测时,利用容积式Kalman滤波(Cubature Kalman Filtering, CKF)方法对在线数据进行模型预测,基于WT-KPCA计算监测指标值完成故障监测；最后,通过Pensim仿真平台对上述方法进行实验研究,从仿真数据的处理结果可以验证,基于WT-KPCA和FCM的间歇过程模态聚类方法、以及JW-SVM建模方法的有效性,在线监测方法能够有效的监测发酵过程故障。
【关键词】：多模态过程 模态聚类 小波变换 核主元分析 在线监测
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：O211.61
【目录】：

• 摘要4-6
• Abstract6-14
• 第一章 绪论14-24
• 1.1 引言14
• 1.2 多模态工业过程的监测方法研究现状14-18
• 1.2.1 工业过程的统计监测方法16-17
• 1.2.2 多模态工业过程的监测方法17-18
• 1.3 基于小波和PCA的动态过程监测方法研究现状18-21
• 1.3.1 基于小波的动态过程监测方法18-20
• 1.3.2 基于小波和PCA的动态过程监测方法20-21
• 1.4 课题的研究意义和主要研究内容21-24
• 1.4.1 课题的研究意义21
• 1.4.2 课题的主要研究内容21-24
• 第二章 基于WT-KPCA的间歇过程模态聚类24-38
• 2.1 引言24
• 2.2 基于观测变量的间歇过程模态聚类24-28
• 2.2.1 观测变量的多向主元分析24-26
• 2.2.2 基于MPCA的间歇过程模态聚类26-28
• 2.3 基于瞬时脉冲响应估计的间歇过程模态聚类28-34
• 2.3.1 基于小波变换的瞬时脉冲响应估计28-32
• 2.3.2 基于WT-PCA的间歇过程模态聚类32-34
• 2.4 基于WT-KPCA的间歇过程模态聚类34-37
• 2.4.1 KPCA方法34-36
• 2.4.2 基于WT-KPCA的间歇过程模态聚类36-37
• 2.5 本章小结37-38
• 第三章 基于WT-KPCA的间歇过程在线监测方法38-54
• 3.1 引言38
• 3.2 基于SVM间歇过程分段建模方法38-45
• 3.2.1 统计学习理论38-39
• 3.2.2 分段建模融合方法39-43
• 3.2.3 基于FCM的联合加权SVM建模算法43-45
• 3.3 基于CKF方法的在线数据处理方法45-49
• 3.3.1 基于CKF的在线数据处理方法45-49
• 3.4 基于WT-KPCA的间歇过程在线监测49-52
• 3.4.1 基于WT-KPCA的间歇过程监测指标49-51
• 3.4.2 基于WT-KPCA的间歇过程在线监测51-52
• 3.5 小结52-54
• 第四章 实验与分析54-70
• 4.1 引言54
• 4.2 青霉素发酵过程仿真平台54-55
• 4.2.1 青霉素发酵过程及仿真平台54-55
• 4.2.2 实验过程及分析指标55
• 4.3 基于WT-KPCA的间歇过程分段建模55-66
• 4.3.1 DWT-KPCA分段实验56-64
• 4.3.2 联合加权SVM实验64-65
• 4.3.3 实验结果与分析65-66
• 4.4 基于WT-KPCA的分段故障监测实验66-69
• 4.4.1 在线故障监测实验66-68
• 4.4.2 实验结果与分析68-69
• 4.5 小结69-70
• 第五章 结论与展望70-72
• 5.1 结论70
• 5.2 展望70-72
• 参考文献72-76
• 致谢76-78
• 研究成果及发表的学术论文78-80
• 作者简介80-81
• 附件81-82

，

本文编号：652232