基于流形学习的非线性过程故障检测方法研究

发布时间：2020-08-07 06:39

【摘要】：随着科学技术的发展与进步,现代工业的规模日益宏大,结构日趋复杂,研究如何进一步提升工业系统运行的可靠性与稳定性具有重要意义。本文以非线性工业过程为对象,结合流形学习理论,分别对非线性、多变量以及多模态工业过程的故障检测问题开展研究,具体工作如下:1)针对工业过程中监控数据高维数、非线性且易受噪声干扰的问题,提出一种基于改进等距映射流形学习方法与支持向量机相结合的故障检测方法。首先针对流形学习算法极易受到噪声影响的问题,本文提出了标准化残差的等距映射算法,在构造统计量基础之上对数据流形进行重构。然后对重构的流形进行残差分析,在置信区间内隔离噪声,提取噪声环境下高维流形中的低维非线性主元,增强流形学习算法对噪声的鲁棒性。最后结合支持向量机结构风险最小化的特点,构造故障检测模型,选择适合过程监控信号的径向基核函数对低维聚类数据进行训练学习,实现含噪声非线性监控数据下的故障检测。2)对多模态非线性工业过程中的故障检测方法开展研究,提出了一种基于改进局部切空间排列算法的故障检测方法,在该方法中首先通过构造变量来描述监控数据中多元变量之间的相互关系,并以此来构建全局坐标,通过代价最小化来完成相互关系的非线性主元特征的提取。然后建立增量学习机制,并构建矩阵相似统计量,对过渡矩阵进行更新,有效地维持数据规模,提高故障检测的快速性。最后,建立T~2、SPE监控量,对工业系统进行在线监控,对系统故障进行准确识别。3)以TE过程为对象进行仿真试验,首先在TE过程中加入高斯白噪声以模拟实际工业过程,并通过改变噪声的比例和故障类型来验证故障检测模型的适用性。其次,在TE过程的不同运行模态下,采用本文所提的多模态过程故障检测方法进行仿真试验,并将试验结果与其他故障检测方法进行比较分析,试验结果均验证了本文所提的故障检测方法的有效性。
【学位授予单位】：河南大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP181;TP273
【图文】：

分类图,故障诊断方法,分类图

图 1-1 故障诊断方法分类图基于解析模型的方法是故障诊断领域发展最早、研究最为系统的方法，这种方法主要包括参数估计、状态估计和等价空间等研究方法，适用于能够建立精确的定量数学模型的控制过程。基于解析模型故障诊断方法的基本原理是对控制过程中可测信息与所建模型之间的残差信息进行分析，并将残差信息与相应的准则进行比较进而来判断系统运行的状态，这种方法与系统的机理模型有着紧密的联系，判定结果比较准确。Keller 等人采用状态估计的方法来实现被控对象的故障检测，在对 Kalman 滤波器进行改进的基础之上，对系统的残差进行解耦来实现多个传感器的故障检测[25]。Ester 等人将估计性能指标作为跟踪延迟、未知输入和其他信道故障解耦的观测量来设计观测器，并用于在受未知输入和随机噪声影响的系统中实现故障估计和故障隔离，取得了较优的效果[26]。Mendoza 等人提出了一种多项式线性变参数系统故障估计的观测器设计，在观测器中加入边界因子，以保证在故障发生时估计误差收敛为零，仿真结果表明了该观测器的有效性[27]。胡志坤等人使用全阶未知输入观测器消除动态系统中的未知输入干扰，结合

示意图,流形,示意图

基于流形学习的非线性过程故障检测方法研究对流形拓扑结构的展开研究，首次提出流的阐述[65]。早在 2000 年，美国著名杂志论文，系统地阐述了流形学习的原理及其野。不同于经典特征学习方法，流形学习数据的潜在嵌入拓扑结构，在维持流形某形学习严格的数学定义如下：定的采样于或近似采样于 D 维流形 M 的 M 特定的流形结构特征的前提下，寻 D，更进一步，我们更期望获取非线性映射的映射关系。

等距映射,流形,算法,高维数据

基于流形学习的非线性过程故障检测方法研究2.2 常见的流形学习方法2.2.1 等距映射算法等距映射（Isometric Mapping，Isomap）算法 Tenenbaum 等人提出的基于领域图经典 MDS 算法的具有全局特性的流形学习算法，该算法基本思想是利用局部邻域距估计高维数据点之间的全局流形测地线距离来描述各点之间的相互关系，实现高维非性数据的特征简约[73]。

【参考文献】