数据驱动的工业过程多故障的诊断方法

发布时间：2022-01-06 06:05

　　现代化制造工业的生产环境通常非常复杂,发生事故的后果是不堪设想的,而故障诊断技术可以有效地提高系统的安全性,降低事故风险,提高经济效益。数据驱动的故障诊断技术能避开机理建模困难的问题,它是基于工业过程中实时采集的海量数据来分析故障,已经成为了企业界和学术界关注的热点之一。基于多元统计分析的方法被广泛应用于工业过程监控。在检测到故障发生后,往往还需要对故障进行溯源,追踪并定位故障变量。传统的故障诊断方法包括贡献图方法、基于重构贡献（RBC）的方法和贝叶斯决策的方法,但这些方法都不同程度地存在着下列问题:其一是“污染效应”的影响,即正常变量受到故障变量的影响被误判为故障;其二是多故障、微小故障的复杂情形下,已有的方法无法提取有效的故障特征,造成误判和漏判;其三是计算的复杂度过高,不具有实际应用价值。针对这些问题,本文提出了基于改进Fisher判别分析的故障诊断方法。首先从几何角度分析了Fisher判别分析的分类思路,在此基础上对其进行改进,调整了分类的原则,以提取出故障特征;然后将传统的RBC拓展到了多维度的层面,并结合提取出的故障特征,对故障变量进行了定位;最后通过工业过程案例验证了该方... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：95 页

【学位级别】：硕士

【部分图文】：

单故障情形下的不同诊断方法对比

只有故障变量 5 的 99.6%的诊断结果是正确的，这是由于传统贡献图方法的变量间“污染效应”非常严重。随着故障幅度的增大，变量间相互作用力使得正常变量的贡献值也会非常大，因此这种方法无法保证故障变量的贡献值最大，即使是简单的单故障情形。图 3-4（b）是在传统贡献图方法改进的基于重构贡献（RBC）方法，并且结合了最小风险贝叶斯决策理论，可以看出“污染效应”被极大的降低了，但是正常变量 2 仍然有 13.4%的误诊率，且误诊情况基本发生在故障幅度较小的前半段，这说明这种方法虽然可以较好的解决单故障问题，但是故障幅度必须足够大，否则会产生误诊。图 3-4（c）是基于 LASSO 方法的诊断结果，这是近年来的一种新方法，具有很好的诊断效果，诊断率 97.9%仅稍落后于本方法，基于 LASSO 方法的主要劣势在于其高昂的计算代价，这将在后文中采用实例分析。图 3-4（d）是本章方法的诊断结果，可以看出误诊率基本在 1%以内，故障变量的诊断率约为 99.4%，因此完全避免了“污染效应”，即使在前半段故障幅度较低的情形下，诊断也完全正确。

为经过本章


本文编号：3571884