面向多采样率数据的工业过程故障检测
发布时间：2020-03-19 10:26
【摘要】：随着现代工业的发展,工业自动化系统呈现出复杂化、信息化和智能化的趋势。尤其是近年来工业4.0时代和智能化时代的到来,对现代工业过程的生产效益和过程安全提出了更高的要求。过程监测技术作为复杂流程工业过程控制的重要手段之一,在保障过程的平稳安全运行、降低能源消耗和污染以及提升生产效率及产品质量等方面具有重大的意义。现代工业过程规模庞大,生产流程日渐复杂,使得传统的机理模型难以获得并应用。与此同时,由于近年来数据科学和传感技术的进步,海量过程数据的收集、传输以及存储变得更加便捷,工业生产过程中积累了大量的过程数据。这些数据蕴含了丰富的过程生产信息,但往往是通过不同的采样间隔从生产过程的各个环节中获得,且同时也具有自相关性、互相关性、质量约束、噪声问题等复杂的数据特征。如何利用多种来源、复杂特征的过程数据指导现代流程工业的过程监测,成为了过程监测领域亟需解决的问题。本文针对多采样率工业过程,从过程数据的复杂特性和流程工业的过程特性两个层面出发,研究了多采样率流程工业的数据建模以及过程监测问题。本文的主要研究工作和研究成果可以分为以下几个部分:(1)针对于静态平稳多采样率过程,以数据的变量互相关性角度未出发点,提出了基于多采样率主成分分析模型的数据建模和故障检测方法。在传统的主成分分析模型的基础上,通过改进过程数据协方差矩阵的计算方式,将多采样率数据映射到低维特征空间中并提出了相应的故障检测方法。该模型相比于传统过程监测模型,避免了空采样数据的舍弃或填补,能够有效地适应多采样率过程的数据建模并能够敏锐地识别过程中的异常变化,对于平稳多采样率过程的故障检测具有良好的效果。(2)针对于多采样率静态平稳过程过程变量和质量效益变量之间的约束关系,提出了基于多采样率偏最小二乘模型的过程建模和故障检测方法。该模型能够针对于多采样率数据特点,引入了过程变量自协方差矩阵以及过程数据与质量相关变量的计算方法,并解决了数据缺失带来的模型参数估计难题,从而有效地提取过程变量和质量变量之间的相关关系,对于质量变量相关的过程变量波动,具有良好的监测效果。(3)针对于多模态多采样率过程,提出了基于混合多采样率概率主成分分析模型的多模态过程数据建模和故障检测方法。通过建立混合模型描述过程的多模态特性,同时在每个模态的子模型采用多采样率概率主成分分析模型用于描述多采样率数据。在对过程进行在线故障检测时,通过贝叶斯公式计算样本分属于每个模态的后验概率以及在每个模态下的隐层特征的后验概率期望,建立了每个模态下的统计指标并加以融合给出了全局的统计指标,在多模态多采样率过程的故障检测问题上取得了良好的表现。(4)针对于多采样率动态过程,提出了基于多采样率线性高斯状态空间模型的动态过程数据建模和故障检测方法。将过程变量通过概率描述限制在隐层特征空间中,并独立描述了每个采样率下的过程数据和隐层特征的概率关系。同时,在隐层特征上利用一阶马尔科夫过程描述过程的动态性。因而同时提取多个采样率下的过程变量的互相关性特征和样本之间的自相关性特征。为了适应多采样率过程的数据特点,该模型提出了相应的模型参数求解方式并给出了证明。基于隐层特征和过程变量的重构误差建立了相应的统计指标,在多采样率动态过程的故障检测问题上具有良好的效果。
【图文】：
数据时会遇到巨大的问题。多米样率过程（Ｍｕｌｔｉ－ｒ有多个采样率的工业过程。总结来说，多采样率过：逡逑性特点：多采样率过程采集到的变量并非是均匀完面会根据采样率的差异有所区别；逡逑：多采样率过程采集到的数据具有明显的规则性，，度仍是长度均匀的。换言之，k胃霾裳氏碌氖荻猿菩裕憾嗖裳使讨惺菅舅男畔⒉ⅲǜ邞蒲剩┑谋淞看蠖嗍窍低车墓瘫淞浚锹裳剩ǖ筒上槁剩┑谋淞糠炊蠖嗍侵柿啃б婀こ淌Ω庸刈⒄庑┍淞克墓绦畔ⅲ沟镁糠治黾壑怠ｅ义希裕龋卞伪淞垮巍义
本文编号：2590104
【图文】：
数据时会遇到巨大的问题。多米样率过程（Ｍｕｌｔｉ－ｒ有多个采样率的工业过程。总结来说，多采样率过：逡逑性特点：多采样率过程采集到的变量并非是均匀完面会根据采样率的差异有所区别；逡逑：多采样率过程采集到的数据具有明显的规则性，，度仍是长度均匀的。换言之，k胃霾裳氏碌氖荻猿菩裕憾嗖裳使讨惺菅舅男畔⒉ⅲǜ邞蒲剩┑谋淞看蠖嗍窍低车墓瘫淞浚锹裳剩ǖ筒上槁剩┑谋淞糠炊蠖嗍侵柿啃б婀こ淌Ω庸刈⒄庑┍淞克墓绦畔ⅲ沟镁糠治黾壑怠ｅ义希裕龋卞伪淞垮巍义
本文编号：2590104
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2590104.html
