基于PCA的过程工业故障检测

发布时间：2020-12-18 21:00

　　随着科学技术的快速发展,过程工业的复杂程度越来越高。一旦出现故障,很可能产生连锁反应,造成重大损失。因此,对其进行实时监测,快速、准确地找出故障,具有重要的应用价值。本文针对过程工业存在时变、非线性及数据量大等特点,在分析几种现有故障检测算法性能的基础上提出改进算法,并在TE（Tennessee Eastman）平台上进行仿真及验证:（1）对主元分析算法（Principal Component Analysis,PCA）在 TE 过程的检测效果进行了分析,仿真表明,由于存在非线性、时变等特性,PCA不能很好地检测出故障。（2）动态核主元分析算法（Dynamic Kernel PCA,DKPCA）虽然适用于处理动态、非线性问题,但对于大样本数据集,存在占用计算机内存大、计算复杂度高等不足,为此,采用一种基于特征子空间的改进动态核主元分析算法（Effective Feature Subspace DKPCA,EFS-DKPCA）,该方法通过构建具有较小维数的特征子空间上的正交基,来优化样本在特征空间的结构表示。试验结果显示,该算法可以有效提高故障检测效率,而正确率几乎不受影响。（3）考虑系... 

【文章来源】：西南科技大学四川省

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景及意义
    1.2 故障诊断概述
        1.2.1 故障诊断概念
        1.2.2 故障诊断方法
    1.3 基于多元统计分析的故障诊断现状
    1.4 本文主要内容
2 基于PCA的故障检测研究
    2.1 PCA基本原理
        2.1.1 PCA的几何解释和本质
        2.1.2 PCA的计算步骤
    2.2 基于主元分析的故障检测
        2.2.1 主元选取方法
        2.2.2 故障检测统计量
        2.2.3 基于PCA的故障检测步骤
    2.3 仿真研究
        2.3.1 TE过程简介
        2.3.2 故障检测仿真分析
    2.4 本章小结
3 基于DKPCA及其改进算法的故障检测研究
    3.1 基于DKPCA的故障检测
        3.1.1 动态数据矩阵
        3.1.2 KPCA基本原理
        3.1.3 核函数及核参的选取
        3.1.4 基于DKPCA的故障检测步骤
    3.2 基于EFS-DKPCA的故障检测
        3.2.1 正交基的构造
        3.2.2 输入空间到特征子空间的映射
        3.2.3 基于EFS-DKPCA的故障检测步骤
    3.3 仿真研究
        3.3.1 基于DKPCA的故障检测仿真分析
        3.3.2 基于EFS-DKPCA的故障检测仿真分析
    3.4 本章小结
4 基于BDKPCA及其改进算法的故障检测研究
    4.1 基于BDKPCA的故障检测
        4.1.1 移动时间窗
        4.1.2 BDKPCA基本原理
        4.1.3 基于BDKPCA的故障检测步骤
    4.2 基于小波去噪与EFS-BDKPCA的故障检测
        4.2.1 小波去噪简介
        4.2.2 基于小波去噪与EFS-BDKPCA的故障检测步骤
    4.3 仿真研究
        4.3.1 基于BDKPCA的故障检测仿真分析
        4.3.2 基于小波与EFS-BDKPCA的故障检测仿真分析
    4.4 本章小结
总结与展望
致谢
参考文献
攻读硕士研究生期间发表论文及科研情况


【参考文献】：
期刊论文
[1]基于自适应分块主元分析模型的提高故障检测与分离（英文）[J]. 刘康玲,金鑫,费正顺,梁军.  Chinese Journal of Chemical Engineering. 2015(06)
[2]基于混合核函数的快速KPCA人脸识别算法[J]. 穆新亮.  电子科技. 2015(02)
[3]基于信息增量矩阵的故障诊断方法[J]. 文成林,胡玉成.  自动化学报. 2012(05)
[4]基于数据驱动的故障诊断方法综述[J]. 李晗,萧德云.  控制与决策. 2011(01)
[5]基于指定元分析的多级相对微小故障诊断方法[J]. 周福娜,文成林,陈志国,冷元宝.  电子学报. 2010(08)
[6]基于数据和知识的工业过程监视及故障诊断综述[J]. 刘强,柴天佑,秦泗钊,赵立杰.  控制与决策. 2010(06)
[7]On the Application of PCA Technique to Fault Diagnosis[J]. Naik A.  Tsinghua Science and Technology. 2010(02)
[8]基于交叉验证法优化参数的Morlet小波消噪方法[J]. 汤宝平,刘文艺,蒋永华.  重庆大学学报. 2010(01)
[9]一种基于改进MPCA的间歇过程监控与故障诊断方法[J]. 齐咏生,王普,高学金,公彦杰.  化工学报. 2009(11)
[10]基于指定元分析的多故障诊断方法[J]. 周福娜,文成林,汤天浩,陈志国.  自动化学报. 2009(07)

博士论文
[1]基于数据驱动技术的过程监控与优化方法研究[D]. 熊丽.浙江大学 2008
[2]基于结构优化PCA的传感器故障诊断方法及其应用研究[D]. 付克昌.浙江大学 2007

硕士论文
[1]基于PCA的流程工业故障诊断方法研究[D]. 刘琴.西南科技大学 2016
[2]改进的小波阈值去噪算法研究[D]. 杨鑫蕊.哈尔滨理工大学 2014
[3]基于TE的化工过程故障诊断算法研究[D]. 王新明.兰州理工大学 2010
[4]小波阈值去噪的性能分析及基于能量元的小波阈值去噪方法研究[D]. 吕瑞兰.浙江大学 2003



本文编号：2924603