基于增量式核非负矩阵分解算法的数据流故障检测与诊断

发布时间：2017-04-24 05:05

  本文关键词：基于增量式核非负矩阵分解算法的数据流故障检测与诊断，由笔耕文化传播整理发布。

【摘要】：随着现代计算机技术的迅猛发展,现代工业过程控制系统变得更加复杂化和智能化,监控系统所需的传感器数量日益增多,并组成了传感器网络,对应的数据形式也在逐步发生改变,呈现数据流形式,不但具有传统数据的特征,同时还有新的特征。目前针对数据流形式的工业过程的故障检测与诊断才刚刚起步,因此这是一个很有必要研究的课题。核非负矩阵分解(KNMF)是近几年发展起来的新颖的矩阵分解算法,挖掘数据的局部信息表示信息的整体结构,因此分解得到的矩阵具有天然的稀疏性。KNMF具有非负限制,保证了纯加性运算,更加符合工业过程实际情况。KNMF还具有良好的解释性。本文将KNMF算法引入到故障检测与诊断领域,并建立故障检测与诊断模型。具体来说,本文主要工作内容如下:(1)从几何层面上解释了KNMF算法的意义,并且给出了KNMF算法的详细特性分析,深化了对KNMF算法的理解。(2)在KNMF算法的基础上,为了缩短训练时间,同时满足数据流的实时性要求和动态性要求,提出了增量式核非负矩阵分解(ILKNMF)算法,给出了ILKNMF算法对应的三个原则,分析了ILKNMF算法的训练模型和自适应模型,同时为了解决数据流对存储要求高的缺点,提出了精简历史数据的方法。(3)在ILKNMF算法的基础上,提出了基于ILKNMF算法的故障检测模型,并设计了K2和SPE两个监控统计量用于故障检测,并给出了控制限的求解方法。当用于在线监控时,如果在线数据对应的统计量值超出控制限,表明系统发生故障。在此基础上,使用经典方法——贡献图法,建立了故障辨识模型。(4)在KNMF算法基础上,融入FDA算法的分类能力,提出了有监督的FKNMF算法,并证明了该算法的单调性。FKNMF算法是从模式分类的角度上面考虑故障诊断,把故障诊断看成分类问题,建立了相应的故障诊断模型。为了满足数据流形式的要求,在FKNMF算法的基础上,提出了ILFKNMF算法,建立了ILFKNMF算法故障诊断模型。
【关键词】：故障检测与诊断 数据流 核非负矩阵分解 增量式核非负矩阵分解 多故障 Fisher判据
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP277
【目录】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 绪论10-21
• 1.1 课题的背景和意义10-11
• 1.2 数据流特性分析11-13
• 1.2.1 数据流定义11
• 1.2.2 数据流特点11-13
• 1.2.3 数据流研究现状13
• 1.3 故障检测和诊断研究现状13-19
• 1.3.1 基于机器学习的研究现状14-15
• 1.3.2 基于多元统计方法的研究现状15-17
• 1.3.3 非负矩阵分解的研究现状17-18
• 1.3.4 核非负矩阵分解的研究现状18-19
• 1.4 本文的主要研究内容与论文结构19-21
• 第二章 核非负矩阵分解算法的特性分析21-32
• 2.1 引言21
• 2.2 核方法分析21-23
• 2.3 核主元分析算法23-25
• 2.3.1 KPCA算法23-24
• 2.3.2 基于KPCA的故障检测24-25
• 2.4 核Fisher判据分析25-28
• 2.4.1 Fisher判据分析25-27
• 2.4.2 核Fisher判据分析27-28
• 2.5 核非负矩阵分解算法28-31
• 2.5.1 KNMF算法28-29
• 2.5.2 KNMF几何意义29-30
• 2.5.3 KNMF算法特性分析30-31
• 2.6 本章小结31-32
• 第三章 增量式核非负矩阵分解算法32-42
• 3.1 引言32
• 3.2 增量式学习方法分析32-35
• 3.2.1 学习方式分析32-34
• 3.2.2 增量式学习方法分析34-35
• 3.3 增量式核非负矩阵（ILKNMF）分解算法35-39
• 3.3.1 替换判断原则35-37
• 3.3.2 确定替换点原则37
• 3.3.3 替换原则37-39
• 3.4 基于ILKNMF算法的数据流故障检测与诊断框架39-41
• 3.4.1 数据流故障检测与诊断框架39-40
• 3.4.2 训练模型方式40
• 3.4.3 自适应模型方式40-41
• 3.4.4 精简历史数据41
• 3.5 本章小结41-42
• 第四章 基于ILKNMF算法的数据流故障检测42-63
• 4.1 引言42
• 4.2 基于KNMF算法的非线性故障检测42-48
• 4.2.1 KNMF算法目标函数42-44
• 4.2.2 监控统计量的设计44-45
• 4.2.3 统计量的控制限45-47
• 4.2.4 故障检测模型47-48
• 4.3 基于ILKNMF算法的故障检测模型48-50
• 4.3.1 基于ILKNMF算法的训练模型48
• 4.3.2 ILKNMF算法和KNMF算法训练时间对比48-50
• 4.4 基于贡献图的故障辨识50
• 4.5 仿真实验50-62
• 4.5.1 Tennessee Eastman实验平台50-52
• 4.5.2 故障检测性能评估52-58
• 4.5.3 自适应故障检测性能58-61
• 4.5.4 故障辨识性能评估61-62
• 4.6 本章小节62-63
• 第五章 基于增量式FISHER-KNMF算法的数据流故障诊断63-83
• 5.1 引言63-64
• 5.2 Fisher核非负矩阵分解（FKNMF）算法64-67
• 5.2.1 特征空间投影64-65
• 5.2.2 求解Fisher判据65
• 5.2.3 目标函数建立65-66
• 5.2.4 目标函数求解66-67
• 5.3 FKNMF算法单调性证明67-71
• 5.3.1 固定优化67-68
• 5.3.2 固定优化68-70
• 5.3.3 优化λ70-71
• 5.4 FKNMF算法几何意义71-73
• 5.4.1 FDA特性回顾71-72
• 5.4.2 FKNMF算法几何意义72-73
• 5.5 基于ILFKNMF算法的故障诊断73-76
• 5.5.1 基于FKNMF算法的故障诊断73-75
• 5.5.2 ILFKNMF算法诊断模型75-76
• 5.6 仿真实验76-82
• 5.6.1 单故障诊断76-79
• 5.6.2 多故障诊断79-82
• 5.7 本章小结82-83
• 第六章 总结与展望83-85
• 6.1 工作总结与本文贡献83-84
• 6.2 未来工作展望84-85
• 参考文献85-92
• 致谢92-93
• 攻读硕士学位期间已发表或录用的论文93-95

【相似文献】

中国期刊全文数据库 前10条

1 徐力平,赵忠华,张炎华;导航传感器故障检测策略[J];上海交通大学学报;2002年07期

2 李新国,陈红英;基于H_∞估计的鲁棒故障检测[J];中国空间科学技术;2004年06期

3 李志生;张国强;刘建龙;;故障检测与诊断技术在暖通空调领域的应用和展望[J];流体机械;2006年06期

4 李姗姗;刘勇;潘成胜;;分布式故障检测技术在双独立互联系统中的应用[J];沈阳理工大学学报;2006年03期

5 颜秉勇;田作华;施颂椒;;非线性摄动时滞系统的H_∞/H_-鲁棒故障检测[J];上海交通大学学报;2008年02期

6 王傲胜;曹小荣;;故障检测综述[J];煤矿机械;2008年03期

7 唐菊琴;;计算机故障检测与定位[J];福建电脑;2011年06期

8 邹振宇;;计算机常见故障检测及维护[J];无线互联科技;2012年07期

9 陶仁骥;;组合电路的故障检测[J];电子计算机动态;1975年07期

10 叶银忠;潘日芳;蒋慰孙;;过程系统的在线故障检测、诊断和预报技术(一)[J];化工自动化及仪表;1988年02期

中国重要会议论文全文数据库 前10条

1 张汉国;;大系统的故障检测——随机情形[A];1993中国控制与决策学术年会论文集[C];1993年

2 周东华;;一种工业异步电机的在线故障检测与诊断新方法[A];1994年中国控制会议论文集[C];1994年

3 赵琦;周东华;;闭环系统的小故障检测与分离方法[A];第十九届中国控制会议论文集（二）[C];2000年

4 李福明;段广仁;;一种鲁棒故障检测与分离的参数化方法[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

5 王洪江;孙保民;田进步;;一种图形化的故障检测和诊断方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（上册）[C];2008年

6 彭涛;桂卫华;Ding Steven X;汤琼;李昊;;一种基于混合H_-/H_∞的故障检测系统优化设计方法[A];第二十七届中国控制会议论文集[C];2008年

7 魏晨;陈宗基;;非线性系统的鲁棒故障检测与诊断[A];第十九届中国控制会议论文集（二）[C];2000年

8 韩兵;陈新海;;随机参数最小均方滤波及其在飞行器故障检测中的应用[A];1995中国控制与决策学术年会论文集[C];1995年

9 葛彤;邓建华;;复杂动态系统故障检测与诊断的层次递进方法[A];1996中国控制与决策学术年会论文集[C];1996年

10 方华京;;控制系统故障检测的l~1优化方法[A];第十九届中国控制会议论文集（二）[C];2000年

中国重要报纸全文数据库 前5条

1 陈代寿;BFD高速路由故障检测[N];中国计算机报;2005年

2 涵薏;排除风电系统中的故障[N];上海科技报;2010年

3 上海 徐亚东;ADSL故障检测利器[N];电脑报;2004年

4 暴青雨　本报特约通讯员 赵彦斌;为了战时能打赢[N];解放军报;2011年

5 翟卫平;梁来润;为了航天员的生命安全[N];中国航天报;2003年

中国博士学位论文全文数据库 前10条

1 乔常明;故障检测与诊断方法研究及其在网络化系统中的应用[D];黑龙江大学;2015年

2 王红茹;动态系统的鲁棒故障检测与分离方法研究[D];哈尔滨工业大学;2006年

3 杨青;集合型故障检测与诊断技术研究[D];长春理工大学;2013年

4 张登峰;动态系统的故障检测与诊断研究[D];南京理工大学;2003年

5 李霄剑;鲁棒自适应故障检测与隔离方法研究[D];东北大学;2011年

6 马传峰;基于观测器的鲁棒H_∞故障检测问题研究[D];山东大学;2007年

7 周乐;基于概率的工业过程数据建模与故障检测[D];浙江大学;2015年

8 赵海军;新一代互联网服务及故障检测若干关键技术的研究[D];北京邮电大学;2009年

9 朱张青;动态系统的鲁棒故障检测与诊断技术[D];南京理工大学;2005年

10 李岳炀;基于观测器的离散时变系统鲁棒故障检测问题研究[D];山东大学;2011年

中国硕士学位论文全文数据库 前10条

1 张荷;基于PU学习的软件故障检测方法研究[D];西北农林科技大学;2015年

2 妥建军;一种配电网有源相间故障检测技术的研究[D];山东大学;2015年

3 郑茜予;基于主元分析的微小故障检测[D];华北电力大学;2015年

4 翟梦佳;基于数据的燃料电池典型非正常工况故障检测研究[D];哈尔滨工业大学;2015年

5 陈姣;基于子空间辨识方法的动态系统的故障检测与诊断[D];华中科技大学;2015年

6 吴翔;可实现任意可靠度的故障检测与切换系统模型研究[D];东华理工大学;2015年

7 楼嘉宇;基于机器学习的电弧故障检测算法研究[D];杭州电子科技大学;2015年

8 洪硕果;SDN网络的故障检测和恢复技术研究与实现[D];南京邮电大学;2015年

9 林圣才;基于核可预测元分析算法的故障检测与诊断[D];上海交通大学;2015年

10 冉永清;基于增量式核非负矩阵分解算法的数据流故障检测与诊断[D];上海交通大学;2015年

  本文关键词：基于增量式核非负矩阵分解算法的数据流故障检测与诊断，由笔耕文化传播整理发布。

，

本文编号：323603