基于核可预测元分析算法的故障检测与诊断

发布时间：2017-09-13 04:01

  本文关键词：基于核可预测元分析算法的故障检测与诊断

  更多相关文章： 故障检测与诊断 可预测元分析 核函数 多元累积和 支持向量机 TE过程

【摘要】：随着工业过程的大型化复杂化,工业过程的安全性受到了人们的密切关注。因此,数据驱动的故障检测与诊断技术成为了过程监控领域中的重要课题。可预测元分析(ForeCA)是一种全新的用于多变量时序相关信号的降维与特征提取方法,以一种全新的模型独立的可预测性度量,在大量的数据中挖掘出潜在的可预测信息结构。它利用变量的自相关性可以从数据中提取观测变量的动态时序特性,并给出该变量的可预测度。由于工业过程往往存在着很强的动态时序特性,因此,非常适合将ForeCA运用在工业过程的故障检测与诊断中。基于上述考虑,本文将可预测元分析(ForeCA)引入故障检测与诊断领域。总体来说,本文的具体研究工作如下:(1)在ForeCA的基础上,将核函数引入,提出了KForeCA方法。KForeCA方法将ForeCA扩展到了非线性领域,扩宽了其使用范围。(2)建立了完整的基于KForeCA的故障检测模型,提出了可预测主元和累积可预测度贡献率的概念,构造了2L监控统计量和SPE监控统计量。将该模型运用在TE过程上,仿真结果显示该模型可以有效的检测故障。(3)建立了基于MCUSUM-KForeCA的小特征故障检测模型,分析了MCUSUM的步长l对故障检测效果的影响,并将该模型与基于KForeCA的模型进行了对比。将该模型运用在TE过程上,仿真结果显示该模型可以有效的检测故障。(4)提出了基于KForeCA-SVM的故障诊断模型,并分别在单故障和多故障情形下,将该模型的诊断结果与SVM模型和KPCA-SVM模型相对比,仿真结果表明了该模型在工业过程系统故障诊断中拥有良好的性能。
【关键词】：故障检测与诊断 可预测元分析 核函数 多元累积和 支持向量机 TE过程
【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
• ABSTRACT5-9
• 第一章 绪论9-22
• 1.1 研究背景和意义9-10
• 1.2 故障检测与诊断的主要内容10-13
• 1.3 数据驱动的故障检测与诊断研究现状13-19
• 1.3.1 基于机器学习的方法14-15
• 1.3.2 基于信号处理的方法15
• 1.3.3 基于信息融合的方法15-16
• 1.3.4 基于粗糙集的方法16-17
• 1.3.5 基于统计分析的方法17-19
• 1.4 本文的创新点19-20
• 1.5 论文结构20-22
• 第二章 可预测元分析基本原理22-28
• 2.1 引言22
• 2.2 主元分析（PCA）22-24
• 2.3 可预测元分析（ForeCA）24-27
• 2.3.1 可预测元分析（ForeCA）基本原理24-27
• 2.3.2 可预测元分析（ForeCA）特性分析27
• 2.4 本章小结27-28
• 第三章 核可预测元分析算法及其特性分析28-39
• 3.1 引言28
• 3.2 核方法介绍28-30
• 3.3 核可预测元分析（KForeCA）算法30-36
• 3.3.1 KForeCA基本思想30
• 3.3.2 白化特征空间中的数据30-33
• 3.3.3 功率谱估计算法33-34
• 3.3.4 EM  LIKE算法34-36
• 3.3.5 获取K维可预测元子空间36
• 3.4 核可预测元分析特性分析36-38
• 3.5 本章小结38-39
• 第四章 基于KFORECA算法的故障检测39-63
• 4.1 引言39
• 4.2 基于KForeCA的故障检测模型39-44
• 4.2.1 故障检测模型建立39-42
• 4.2.2 监控统计量控制限的确定42-44
• 4.3 仿真算例及结果分析44-52
• 4.3.1 TE仿真平台45-48
• 4.3.2 基于ForeCA的故障检测性能分析48-52
• 4.4 基于MCUSUM-KForeCA的小特征故障检测模型52-55
• 4.4.1 CUSUM控制图53
• 4.4.2 故障检测模型的建立53-55
• 4.5 仿真算例及及结果分析55-59
• 4.6 两种故障检测模型的对比分析59-62
• 4.7 本章小结62-63
• 第五章 基于KFORECA-SVM的故障诊断63-75
• 5.1 引言63-64
• 5.2 支持向量机分类原理64-66
• 5.3 故障诊断模型的建立66-67
• 5.4 仿真算例及结果分析67-74
• 5.4.1 单故障情形67-71
• 5.4.2 多故障情形71-74
• 5.5 本章小结74-75
• 第六章 总结与展望75-78
• 6.1 研究工作总结75-76
• 6.2 未来工作展望76-78
• 参考文献78-84
• 致谢84-85
• 攻读硕士学位期间已发表或录用的论文85-87

【参考文献】

中国期刊全文数据库 前6条

1 李娟;周东华;司小胜;陈茂银;徐春红;;微小故障诊断方法综述[J];控制理论与应用;2012年12期

2 刘强;柴天佑;秦泗钊;赵立杰;;基于数据和知识的工业过程监视及故障诊断综述[J];控制与决策;2010年06期

3 侯忠生;许建新;;数据驱动控制理论及方法的回顾和展望[J];自动化学报;2009年06期

4 周东华;胡艳艳;;动态系统的故障诊断技术[J];自动化学报;2009年06期

5 张振跃,查宏远;Principal Manifolds and Nonlinear Dimensionality Reduction via Tangent Space Alignment[J];Journal of Shanghai University;2004年04期

6 周东华，，王庆林;基于模型的控制系统故障诊断技术的最新进展[J];自动化学报;1995年02期

本文编号：841381