数据驱动过程监测系统设计及其在线优化方法研究

发布时间：2020-11-02 16:04

　　 随着现代工业系统规模的不断扩大,其大型化以及复杂度也在不断提升,外界扰动、非线性、系统不确定性等问题也会随之产生,因此对工业系统中可能产生的故障进行及时有效的监测也是目前人们关注的重点。而由于数据网络技术的普及,数据采集与监控系统(Supervisory Control And Data Acquisition,SCADA)在工业中有着越来越广泛的应用。因此,通过对SCADA系统采集到的数据进行合理的利用,绕过模型的辨识部分,从数据的角度设计过程监控系统,对系统可能产生的异常以及故障进行监控是当今非常重要的研究方向之一。本文主要通过数据驱动方法,通过对系统建立诊断观测器构建残差产生器,并针对系统中可能出现的偏心故障设计了自适应环节,从而在线的对工业系统进行及时有效的监控。首先,本文介绍了数据驱动开环控制系统设计方法,为了对工业系统进行有效的故障诊断,并为之后容错控制提供可靠的诊断结果,本文介绍了互质分解技术并学习故障诊断观测器的参数化形式,并且将单维的基于观测器的残差产生器扩展至多维的形式,研究了基于多维残差产生器的过程监测系统设计。其次,由于闭环系统在工业过程中的广泛应用,本文将基于稳定核心表示的开环控制方法扩展至闭环控制系统,利用闭环系统产生的数据,重新构造系统的核函数,通过核函数构建系统的残差产生器,从而达到对闭环系统的合理监测。同时考虑输入输出之间的耦合性,通过重构残差协方差矩阵从而构建评估函数,通过与阈值的对比实现对系统性能的实时监测。再者,针对工业系统中普遍存在的低频扰动等故障,本文基于自适应观测技术设计了可靠、高效的自适应更新策略。在不辨识整个系统的基础上,该自适应策略仅通过在线更新关键性参数达到跟踪变化的目的。通过自适应手段对实际系统中可能出现的正弦波等故障信号进行辨识,同时采用滑动窗口对自适应方法进行了改进,提高了在系统存在随机故障时的估计效果,从而实现对工业系统进行合理的监测。最后,轧钢系统在工业中的应用非常广泛,轧钢系统利用热轧或冷轧工艺,可以将带钢通过轧辊挤压成钢板,本文在轧钢模型中进行了仿真并验证了所提出的以上数据驱动设计方法,应对轧钢过程中可能出现的轧辊偏心等问题,从而实现对轧钢系统的实时监测。
【学位单位】：哈尔滨工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP274
【部分图文】：

一个呈正态分布的白噪声信号激励，且 0.1iP ，其中 i 1, m为iP ，且 0.003iP ，其中 i 1,n 。选取采样时间为 0.1st s，3 5 10，并且 10ps ， 30fs 。

有厚度的外环控制回路以及内环的自动位置控制回路。于轧钢系统为典型的闭环控制系统，原有的数据驱动的开环控制方法到反馈回路的影响，因此为了验证第 3 章提出的数据驱动的闭环控制要考虑故障为第一个机架的厚度传感器故障，传感器灵敏度下降了 数据为原有数据的 95%，故障发生时刻为采样点 12000 处，对厚度的输入输出数据做了采集。通过评估函数与阈值进行对比可以对轧钢有效的监测，且由式（2-49）可知，若评估函数在阈值之下，可以认故障，系统运行状态良好，反之，若评估函数超过阈值，可以轧钢系障.。阈值由式（2-51）计算得到，且误报率定义为 0.05。图 5-6 为采制方法时的故障诊断效果，图 5-6 选取采样点 6000–13000 部分数据出，评估函数在采样点 12000 处无明显变化，对于有故障以及无故障有效判断，因此对于较小的故障，开环控制方法的诊断效果比较一为采用闭环控制方法时的故障诊断效果，图 5-7 为采样点 8500–14据，由图可看出，评估函数在采样点 12000 处发生突变，远远超过阈可以看出，针对闭环控制系统，数据驱动的开环控制方法无法对故障的诊断，数据驱动的闭环控制方法可以对系统进行及时有效的监测

图 5-13 至图 5-15 展示了频率自适应观测器以及幅值与相位自适应观测器的性能，其中，图 5-13 为角速度的在线估计值，图 5-14 为幅值的在线估计值，图 5-15 为相位的在线估计值。由图 5-13 所示，角速度的初始值分别为 4rad/s与 3rad/s，在采样点 10000 至采样点 30000 之间，加入了频率自适应环节，在约 2000 个采样点内频率收敛到 0.5rad/s 和 0.1rad/s，与真实值十分接近。由图
【相似文献】

相关期刊论文 前10条

1 张椿琳;;数据驱动用户洞察[J];经营者(汽车商业评论);2019年11期

2 吕煜航;;探究大数据驱动的社会科学研究转型[J];科学技术创新;2019年14期

3 王学勇;费廷伟;史旭升;王文琦;;数据驱动的智慧企业管理新模式探索[J];军民两用技术与产品;2019年05期

4 李平;蒋君毅;;基于大数据驱动的高校学生就业服务效能提升研究[J];科技经济导刊;2019年17期

5 程梦瑶;;达索系统：数据驱动 助力城市复兴之路[J];软件和集成电路;2019年11期

6 周德立;;浅论基于数据驱动的智能舞台技术研究[J];传播力研究;2018年20期

7 方璐;;语料库数据驱动的外语学习:思想、方法和技术[J];课程教育研究;2017年29期

8 冯艳艳;;从判断性评价到专业化诊断[J];中小学信息技术教育;2017年10期

9 李睿;;基于语料库的数据驱动学习在外语教学中的前景[J];甘肃教育;2007年14期

10 姚琥;;数据驱动,智慧风控[J];金融电子化;2017年02期

相关博士学位论文 前10条

1 赵汉青;基于数据驱动的中医精准诊疗模型研究[D];中国中医科学院;2019年

2 姜文颢;抑郁症快感缺失多元数据驱动的遗传影像学研究[D];东南大学;2018年

3 韩汐;基于数据驱动的复杂体系光谱检测新方法及应用研究[D];天津大学;2017年

4 魏翔;基于数据驱动的人群分析与多尺度仿真研究[D];北京交通大学;2019年

5 陈传营;考虑数据驱动与披露策略的在线零售商运作管理问题研究[D];华南理工大学;2019年

6 杨承铭;基于数据驱动的心房颤动检测方法研究[D];哈尔滨工业大学;2019年

7 李会超;数据驱动的日冕行星际背景太阳风模拟及其结果评估[D];中国科学院大学(中国科学院国家空间科学中心);2018年

8 李敏;光刻机超精密工件台数据驱动运动控制研究[D];清华大学;2017年

9 刘姝;二维到三维人脸美丽预测研究[D];西北工业大学;2017年

10 张旭;数据驱动的云资源高效部署[D];清华大学;2017年

相关硕士学位论文 前10条

1 张艺镨;基于数据驱动的含大规模新能源并网的电力系统两阶段鲁棒运行研究[D];华中科技大学;2019年

2 李海波;基于数据驱动的宁夏地区回族与汉族人脸局部器官的异同分析与研究[D];西北大学;2019年

3 田琪林;基于数据驱动的火电机组过热蒸汽温度控制系统PID参数优化[D];华北电力大学;2019年

4 胡吉昌;支持动态标签分发的命名数据实验网的设计与实现[D];重庆邮电大学;2018年

5 陈鎏凯;面向数据驱动方法的大规模潮流样本生成方法研究[D];华南理工大学;2019年

6 宋雪;数据驱动过程监测系统设计及其在线优化方法研究[D];哈尔滨工业大学;2019年

7 曹道帆;数据驱动的多尺度建模及其在催化裂化过程中的应用[D];中国石油大学(北京);2018年

8 尹宁男;基于语料库数据驱动学习的高职院校英语词汇教学实证研究[D];西南财经大学;2018年

9 李代鹏;数据驱动学习视角下的汉语学习效果研究[D];厦门大学;2018年

10 宋文太;改进的数据驱动网络化预测控制方法研究[D];北方工业大学;2019年

本文编号：2867258