基于可变移动窗口的KPCA故障诊断方法在过监控中的应用

发布时间：2020-06-06 13:51

【摘要】：随着全球工业的持续发展,对工业生产过程的控制也变得越加重要,工业过程的机械化和智能化导致生产过程数据的海量化和多维化,那么怎么去筛选这些数据并使之简易化从而去更加有效的监控生产过程成为目前工业过程监控的一项难题。基于主元分析(Principal Component Analysis,PCA)的多元统计方法被广泛应用于工业过程的故障诊断来改善工艺过程的质量和生产率。但是基于PCA的监测模型建立后是时间不变的,而大多数真正的工业过程是时间变化的。核主元分析(Kernel Principal Component Analysis,KPCA)方法可以利用非线性核函数以及积分算子较好地计算高维特征空间中的主成分,可以在线性状态的情况下求解特征值问题。利用自适应移动窗口算法来进行KPCA模型的重构则能够有效的更新特征值,较好的解决时变问题。本文在PCA和KPCA算法的基础上,同时使用了一种可变移动窗口算法,在对比了优劣后,再结合田纳西尹世曼(Tennessee Eastman,TE)过程研究了可变移动窗口KPCA方法的监控性能,主要研究内容和结论如下:1、介绍了移动窗口算法的基本思想,并研究了一种自适应移动窗口算法,用于更新传统的监控模型,仿真实验表明,通过在移动窗口算法中加入可变遗忘因子,能够使移动窗口不断选择最优尺寸,避免了窗口过大或者过小导致的特征值和特征向量不具有代表性从而使跟踪变化的效率较低或者不够精确的问题。2、研究了一种新的可变移动窗口KPCA方法。为了保持内核矩阵具有足够多的新样本,可以通过移动窗口来添加最新的样本和丢弃最旧的样本,然后再对移动窗口的大小来进行最优选择,从而大大提高了过程监控的效率和精度。通过仿真实验验证,证明该方法是有效的。3、将可变移动窗口KPCA方法用于TE化工过程监控,结果表明:该方法能够有效的提高TE化工过程中的特异值的提取效率,从而提高了整个化工过程监控的良好率,降低了虚警率,证明该方法具有较高的准确性和良好的缩放性,能有效提高工业过程监控的效率。最后,通过总结全文,提出了基于可变移动窗口KPCA方法在过程监控中有待深入探讨和研究的问题。
【图文】：

监控方式,主元分析法,控制图法,绪论

1 绪论字即可判断过程的运行状况，避免了直接监控过程变量所产生的复杂操作。数据驱动法主要包括神经网络、小波变换、控制图法、主元分析法和偏最小二乘法等，如图 1-1 所示。本文使用的是统计方法中的主元分析法（Principal Component Analysis ），，其他还包括递归加权法（ Recursive Weighted，RW）、移动窗口法（Moving Window，MW）等。

二维平面,观测值,过程

b）图2 过程X的观测值分别在二维平面和旋转二维平面中的分布1.3.2 传统的 PCA 监控方法介绍基于 PCA 的多元统计方法被广泛应用于工业过程的过程监控来改善工艺过程的质量和生产率。PCA 的基本策略是提取线性结构,通过寻找新的主轴来获得高维数据[6]。主元分析将数据系统分为两部分，第一部分是变化较大的数据，第二部分是方差最小的有噪声的数据。对于 PCA 在过程监控中的运用，主要使用由马氏距离和欧氏距离代表的两个统计数字对系统部分的变化以及各个嘈杂部分进行检测。一种异常情况将引起至少两个指数中的一个超出控制范围。自Karl Pearson 提出PCA 之后，PCA开始被大家关注。随后，Jackso和Mudholka在PCA 中提出了T2检验与Q 统计分析（或称SPE 统计分析）并将PCA 应用到多元统计过程控制中。随着PCA理论的不断发展和实践，更多新的PCA方法被研究出来。沃尔德[ 1978 ]提出了一个方案，使用指数加权移动概念来更新PCA和PLS（偏最小二乘）模型。新德里等[1997]描述了递归指数加权的PLS算法，即使用基于递归更新的协方差矩阵的PLS kernel算法
【学位授予单位】：广东技术师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TQ02;TP277;O212.4

【相似文献】