一、基于主元分析的多变量统计过程的故障辨识技术(论文文献综述)
姜南[1](2020)在《基于联邦卡尔曼滤波的INS/GPS/DVL组合导航容错算法研究》文中进行了进一步梳理当今,科学技术正在迅猛发展,导航技术领域也得到了迅速发展,并已经被广泛应用到社会的各个领域,尤其是在军事领域比较成熟。目前常用的导航系统有:惯性导航系统(Inertial Navigation System,INS)、全球卫星导航系统(Global Position System,GPS)、多普勒计程仪(Doppler Velocity Log,DVL)。将多种导航传感器的优点进行融合,进行组合导航可以克服单一传感器的缺点。由于增加了传感器的数量,组合后的系统出现故障的可能性也将大大增加,所以,还必须在组合导航系统中,加入合适的故障检测环节,对导航子系统进行实时的故障检测和隔离,从而提高组合多传感器组合导航系统的容错性能。本文针对INS/GPS/DVL组合导航系进行容错方法的研究,将全球卫星导航系统,多普勒计程仪分别与惯性导航系统进行组合,采用联邦卡尔曼滤波技术进行全局的信息融合。在联邦卡尔曼滤波结构中分别设计了基于模型和基于数据驱动的故障检测方法:基于模型的检测方法有残差卡方故障检测和双状态卡方故障检测;基于数据驱动的检测方法是主元分析故障检测与辨识。通过这两种故障检测方法,实现对子滤波器实时的故障检测与隔离,提高导航系统整体的容错性能,从而提高系统的导航精度。首先,针对多传感器组合导航系统的基础理论进行了介绍。分析了组合导航系统理论,并对离散型卡尔曼理论,以及联邦卡尔曼滤波理论进行了推导。分析了惯性导航系统的工作原理以及误差模型,并对全球卫星导航系统和多普勒计程仪进行了介绍。然后,完成联邦卡尔曼滤波系统地建模与仿真设计。将惯性导航系统分别与全球卫星导航系统和多普勒计程仪进行组合设计,联邦卡尔曼滤波设计,并用MATLAB进行仿真。将单个组合与联邦卡尔曼组合进行对比分析,有反馈的联邦卡尔曼和无反馈的联邦卡尔曼进行对比分析。为提高系统的容错性能,在联邦卡尔曼滤波结构中加入基于模型的故障检测方法:残差卡方和双状态卡方故障检测,对其进行了仿真验证。最后,将基于主元分析的故障检测与辨识方法加入到联邦卡尔曼滤波结构中。分析了基于主元分析故障检测的工作过程:采用正常条件下的导航系统的数据建立主元模型,随后在线对系统进行故障检测,在故障发生后,采用基于贡献图法的故障辨识,实现对故障发生源的准确定位,并通过仿真验证了该方法的可行性。
张芷瑜[2](2019)在《基于多元统计分析的故障检测在化工过程中的应用》文中研究说明化工过程在工业生产中发挥着关键的作用,可以说它涉及到了人们生活的方方面面。近些年来,化学工艺生产设备的规模越来越大,相应的化工工艺也越来越复杂。在生产过程中系统各装置间可能存在耦合性,如果生产过程中突然发生异常情况,可能会因为连锁反应进而造成大型事故。在这种情况下,确保化学过程的安全稳定地进行就显得尤为关键。通过故障诊断技术提高化工过程的安全性和可靠性是一种安全且高效的途径。所以,用多元统计法判断系统是否存在故障有着相当重要的意义。本文不仅介绍了Tennessee-Eastman化工过程并对该过程的在线故障检测进行了建模与分析,而且详细地介绍了多元统计方法以及故障检测方法;基于多元平方预测误差法和Hotelling#统计方法;通过贡献图进行故障识别的故障检测的基本原理。通过对TE过程的仿真应用,详细分析了利用主元分析法以及支持向量数据描述法进行故障诊断时的优缺点。由于主元分析不能应用于非线性和非高斯分布的复杂工业过程中,故考虑建立一种把PCA和SVDD两种方法结合的故障检测技术。它的思想是通过主元分析方法分解原始数据,并获得得分矩阵的信息。然后,通过SVDD法获得得分矩阵,计算关于距离的统计量,和其统计限。最后,通过TE过程的数据及仿真图验证了该算法确实能够提高故障检测率,并具有可行性。最后,由于实际的工业过程产生的数据会受较大的噪声污染,本文提出了基于小波去噪与PCA-SVDD相结合的故障检测方法,TE过程的实时仿真验证了该改进算法具有可行性,并且达到了预期的效果。
马勇[3](2019)在《基于半非负矩阵分解的工业过程故障检测与诊断研究》文中认为近年来,工业生产设备的自动化水平不断提高,现代工业过程的生产规模呈现大型化、复杂化的特点。若复杂的工业系统出现故障,而无法被及时准确地检测和排除时,将导致严重的人员和财产损失。另外,分布式控制系统等技术在工业过程中的广泛应用,从而产生了大量的工业过程数据。因此基于数据驱动的故障诊断方法已广泛应用于实际工业过程的故障监控中。基于数据驱动的故障诊断方法不需要对系统准确建模,只利用实时采样数据与存储的大量历史数据进行诊断,它可以通过基于大量数据的控制算法应用于各种实际系统,因此具有高效性与普遍性。基于数据驱动的故障检测与诊断技术经过了长期的快速发展,但仍有许多问题有待解决。考虑到复杂工业系统的非线性和非高斯特性,基于数据驱动的故障诊断技术仍需进一步的研究。为消除传统非线性方法故障检测准确率低的缺点,提出一种基于核半非负矩阵分解(Kernel Semi-Nonnegative Matrix Factorization,KSNMF)的故障检测方法。该方法充分考虑到工业过程数据非线性的特点,利用核方法描述原始数据中真实的非线性关系。KSNMF方法首先利用核主元分析法进行白化预处理,包括去除数据变量相关性和对样本方差进行缩放两部分。这样做的目的是降低冗余信息干扰,以及使白化样本尺度归一,即样本内部的变化更加平稳。然后利用半非负矩阵分解(Semi-Nonnegative Matrix Factor-ization,Semi-NMF)方法找到原始数据中的部分表示,挖掘数据中的本质结构,体现“部分构成整体”的概念。Semi-NMF方法不仅起到降维的作用,还能够在低维子空间中保持数据的局部结构。以田纳西伊士曼(Tennessee Eastman,TE)过程为研究背景,利用TE过程数据对新方法进行仿真验证。为消除Fisher判别分析法故障诊断率较低的缺点,提出基于核半非负矩阵分解和不相关最优判别向量法(KSNMF-UODV)的故障诊断方法。KSNMF-UODV方法主要思想是首先利用KSNMF模型提取出保留原始数据局部特征的潜在变量,然后将其作为UODV方法的训练集来建立故障诊断模型,从而降低故障的误诊断率。最后,通过TE过程数据仿真验证了该方法的可行性和有效性。
吕菲亚[4](2019)在《基于栈式自编码网络的故障诊断方法研究》文中提出随着分布式控制系统的广泛应用和先进信息技术的实施,为了实时地检测并识别工业过程中的异常状况,数据驱动的故障诊断方法成为多变量过程控制的研究热点之一。然而海量高维度的过程测量信息给传统的故障诊断算法带来极大的计算复杂度和建模复杂度,且存在难以利用高阶量进行在线估计的不足。面对复杂工业过程中的低阶、动态、非线性、多模态以及微小故障等问题,本文结合深度学习与统计分析技术,提出了一系列基于栈式自编码网络的故障诊断算法:(1)将深度学习技术引入工业过程控制中,提出了基于栈式自编码网络的故障诊断技术,通过栈式自编码网络提取并表示工业过程数据中隐含的相关性特征,打破了传统方法针对微小故障检测的瓶颈;(2)从函数逼近角度阐述了栈式自编码网络结构:利用多重的非线性映射与优化的组合实现复杂函数的逼近;初步解释了栈式自编码网络在故障诊断上的可行性;结合加权时间序列保持工业过程的时间相关性;(3)从多项式泰勒展开的角度解析自编码网络,结合泰勒展开的高阶项O(xn)论证栈式自编码网络对细节特征的表示学习能力;鉴于动态过程中的时间最近邻并不一定是其空间最近邻,在不增加建模复杂度的前提下,提出了基于动态重建的栈式自编码网络故障诊断技术,通过样本重建在保持数据可分离性的同时增加类别间的可区分距离;(4)针对传统多元统计分析技术难以利用高阶信息的不足,提出了基于高阶相关性的故障诊断技术,结合栈式自编码网络的多隐层结构建立多级学习框架:堆叠的隐层数越多,提取特征的阶数越高;并给出对应度量指标监控系统运行是否保持在控制范围内;利用正常过程的测量数据进行网络参数训练,避免了类别间的数据不均衡问题;(5)考虑动态过程中在线数据的重要性,提出了基于栈式自编码网络的阈值自适应过程监控技术,通过一个综合的表示框架实现多模态辨识与故障诊断的整合,降低了多模态切换的代价;并基于Sigmoid函数重构进一步分析自编码网络的表示学习能力。基于栈式自编码网络的故障诊断方法可以更细致地反应过程运行状态及潜在的演变轨迹,仿真研究验证了其有效性与可靠性,丰富了数据驱动下故障诊断领域的研究成果,并揭示了进一步研究的必要和可能。
李伟[5](2018)在《核电厂传感器状态监测方法研究》文中指出安全性和经济性是核电可持续性发展的重要前提。就安全性而言,传感器是核电厂仪表和控制系统的重要组成部分,用于获取电厂的实时运行数据,一方面可以实现对电厂中系统和设备运行状态的在线监测,另一方面还可以为控制系统的安全可靠运行提供数据基础。同时由于核电厂中某些传感器恶劣的工作环境导致传感器可能随着核电厂运行时间的增加出现不同程度的老化或故障。因此,为保证核电厂的安全性,在运行过程中对传感器状态进行实时在线监测是非常必要的。就经济性而言,通常核电厂使用大量的传感器仪表,通过对传感器的状态监测不仅可以提高核电厂运行的安全性,还可以推动传统基于时间的周期性主动仪表维护策略向基于状态的维护(Condition-based Maintenance,CBM)策略转变,明显提高核电厂整体运行的经济性。因此,本文采用基于主元分析(Principal Component Analysis,PCA)的方法一方面实现对冗余和非冗余传感器的在线状态监测,检测到基于现有交叉校准技术所不能解决的冗余传感器的共模故障,提高核电厂运行过程的安全性;另一方面实现对冗余和非冗余传感器的状态评估,实现传感器仪表的CBM,提高核电厂运行过程的经济性。采用PCA方法对传感器进行状态监测时,存在多种因素会影响模型的监测性能,主要包括PCA模型建模数据的质量、模型结构参数的合理性、故障检测和辨识结果的准确性等几个方面。因此为提高PCA模型对核电厂传感器故障的状态监测性能,针对影响模型状态监测性能的四个主要因素,本文分别进行了分析并提出了相应的优化解决方法,具体描述如下。(1)PCA建模数据的预处理:由于建模数据质量直接影响PCA模型的状态监测性能,因此在第3章中对传感器测量数据中的离群点和随机噪声进行了预处理。首先使用统计分析方法剔除离群点,然后分别使用时域的滑动时窗法和时-频域的小波变换法进一步降噪。通过来自真实核电厂传感器测量数据的验证测试,定量证明了本文所提出的数据预处理算法对PCA模型状态监测性能的改善。(2)PCA模型结构参数的选取:建模参数是影响PCA模型的主要结构参数之一,不同建模参数将直接影响模型的状态监测性能。因此在第4章中对PCA模型建模参数的选取原则进行了讨论。在传统随机建模参数选取标准上,提出了另外四种标准:基于传感器类型,基于传感器测量数据方差、变化度和相关性。通过对比不同标准建立的PCA模型的状态监测性能,确定了五种PCA模型建模参数选取标准中的最佳标准。(3)模型的故障检测:针对故障检测,本文从两个不同方面进行了优化分析。(1)首先在第2章中使用Δ判别法计算PCA模型对模型中每个传感器故障的不可检测性区间,定量评估所建立的PCA模型的故障检测能力。通过真实核电厂传感器测量数据的验证测试,证明了本文提出的传感器故障不可检测性区间计算方法的有效性。(2)然后在第5章中使用循环迭代方法消除模型训练过程中T2和Q统计量的误报警,使用统计分析法消除模型故障检测过程中T2和Q统计量的误报警。通过真实核电厂传感器测量数据的验证测试,证明了本文提出的误报警消除算法可以提高PCA模型状态监测过程的稳定性和准确性,提高了模型的状态监测性能。(4)模型的故障辨识:针对故障辨识,本文在传统T2和Q统计量高贡献量分析法基础上,在第6章中同时采用改进的Q统计量贡献率分析法和基于迭代重构的方法进行故障传感器辨识。通过真实核电厂传感器测量数据的验证测试,证明了本文提出的故障辨识方法的合理性和有效性。综合以上优化算法,本文提出了基于PCA的传感器综合状态监测方案。为测试综合使用多种优化算法时对PCA模型监测性能的影响,在最后的第7章中将多种优化算法结合,并使用真实核电厂的传感器测量数据进行综合验证分析。测试表明:综合使用本文提出的优化算法后,PCA模型的状态监测性能高于在前述26章中单独使用某一种优化算法时模型的监测性能。
张汉元[6](2017)在《基于慢特征分析的间歇过程故障检测与诊断方法研究》文中指出近年来,随着现代社会对多品种、多规格和高质量产品越来越迫切的市场需求,工业生产更加倚重于能够生产小批量、高附加值产品的间歇过程。高效可靠的故障检测与诊断对保证间歇过程生产安全和提高产品质量起着极其重要的作用。遍布于间歇过程生产中的传感器能够采集和存储大量的过程数据,为基于数据驱动的间歇过程故障检测与诊断技术提供了良好的发展契机。慢特征分析(Slow Feature Analysis,SFA)作为一种倍受研究人员关注的数据驱动方法,能够从输入数据中提取出不变或变化缓慢的特征信息来描述过程随时间变化的总体趋。考虑到间歇过程无稳态工作点,在一个生产批次中动态的由一个操作阶段转化到另一个操作阶段,每个操作阶段上都具有缓慢变化的趋势,本文利用SFA提取各操作阶段上导致间歇过程动态时变的潜在驱动力(潜在变化的参数),并结合间歇过程的数据特点,研究基于SFA的间歇过程故障检测与诊断方法。本文的主要研究工作和取得的成果简述如下:(1)针对间歇过程数据的非线性和固有的时变动态特性,提出基于多路全局保持核SFA(Global Preserving Kernel SFA,GKSFA)的间歇过程故障检测方法。首先将KSFA扩展到检测间歇过程的故障,提出多路KSFA方法。为了克服多路KSFA仅保持间歇过程数据局部结构信息的局限性,进一步将全局保持结构分析的思想融入到多路KSFA中,提出多路GKSFA算法提取间歇过程的局部动态数据关系同时保持数据的全局结构信息;最后基于累积缓慢贡献率设计了一个准则来确定多路GKSFA模型中所要保留潜变量的数目。数值非线性系统和青霉素发酵过程的故障检测仿真实验结果表明,提出的方法能有效的改善间歇过程故障检测性能。(2)针对KSFA无法利用连续过程数据的类别标签信息的问题,提出基于判别KSFA(Discriminant KSFA,DKSFA)的连续过程故障检测和识别方法。首先将判别分析技术与KSFA相结合中,提出DKSFA方法提取正常工况数据和故障模式数据之间的判别信息,然后采用支持向量数据描述(Support Vector Data Description,SVDD)通过描述判别信息的分布域构建监控统计量检测过程故障。检测到故障后,利用DKSFA提取当前故障数据的故障方向,然后通过当前故障数据的故障方向与各类历史故障数据的故障方向之间的相似性识别当前故障数据的模式。在连续搅拌反应釜(Continuous Strirred Tank Reactor,CSTR)上的仿真实验表明了基于DKSFA的连续过程故障检测和识别方法的有效性。(3)针对利用间歇过程数据的类别信息和非线性故障变量辨识的问题,提出基于判别GKSFA(Discriminant GKSFA,DGKSFA)的间歇过程故障检测和故障辨识方法。将提出的DKSFA扩展到间歇过程的故障检测领域时,DKSFA仅保持正常工况数据的局部近邻结构而忽略了其全局结构信息。进一步将全局结构分析融入到DKSFA中,提出基于DGKSFA的间歇过程故障检测方法,不仅提取间歇过程数据的判别信息而且能够同时保持正常工况数据的全局和局部几何结构信息。检测到间歇过程发生故障后,为了解决非线性故障变量辨识的问题,基于待识别故障数据的过程变量伪样本轨迹在DGKSFA的非线性双坐标图中的投影,提出了一种新的非线性贡献图法。在数值系统和青霉素发酵过程上的故障检测和故障辨识仿真实验结果表明,提出的方法具有较好的故障检测性能,并且能够准确的识别故障变量。(4)针对间歇过程的多操作阶段特性和故障变量辨识的问题,提出基于全局保持统计量SFA(Global Preserving Statistics SFA,GSSFA)的间歇过程故障检测和故障辨识方法。首先建立统计量慢特征分析(Statistics Slow Feature Analysis,SSFA)模型提取不同生产批次数据在相同的采样时刻上缓慢变化的信息,然后基于SSFA模型定义阶段识别(Phase Recognization Factor,PRF)指标自动的划分稳态阶段和过渡区域。在此基础上,进一步提出GSSFA算法不仅提取间歇过程固有的时变动态特征信息,而且挖掘过程数据的全局结构信息,并且基于GSSFA模型采用不同的监控策略分别检测稳态阶段和过渡区域的故障。检测到故障后,基于GSSFA模型提出一种改进的重构贡献图(Improved Reconstruction based Contribution,IRBC)法识别故障变量。提出的IRBC方法基于过程变量统计量的RBC值构建过程变量相对于监控指标的新贡献。在数值多阶段系统和青霉素发酵过程上进行故障检测和故障辨识的仿真实验,结果表明提出的方法对故障具有较高的检测灵敏性,并且能够准确的识别故障变量。
张琳[7](2016)在《卷取张力控制过程的故障诊断》文中提出轧机卷取机的张力控制系统是保证金属带材在卷绕过程中,维持卷取张力的恒定,使其避免由于轧机在轧制速度变化时,所引起的张力波动。卷取机在卷绕带材时,过大或者过小的卷取张力都会影响产品的最终质量,特别是对于金属薄带板型的影响尤其明显。因此对卷取张力控制过程中发生的故障进行诊断,不仅有利于设备的故障维修,而且还是保证产品最终质量的关键。本文以卷取张力控制系统为研究对象,采用基于数据驱动的故障诊断技术对带材卷取张力控制过程进行故障的检测与诊断。论文的主要研究内容如下:1)阐述了论文的研究背景和意义。介绍了故障的定义和分类,故障的诊断步骤和诊断方法分类。分析了目前应用于卷取张力控制过程的故障诊断技术。最后,结合设备自身的特点,提出采用基于数据驱动的故障诊断技术对轧机卷取张力控制过程进行故障诊断。2)介绍了卷取张力控制系统的基本构成,分析了组成卷取张力控制系统的三种方法,间接控制法、直接控制法、复合控制法。针对间接控制法分析研究了影响卷取张力控制的因素。3)介绍了基于数据驱动的故障诊断技术。基于数据驱动的故障诊断技术是对过程运行数据进行分析处理,从而在不需知道系统精确解析模型的情况下完成对系统的故障诊断。这类方法可以分为机器学习、统计分析、信号处理等。其中偏最小二乘法(partial least squares,PLS)就是统计分类法中的一种。本文着重介绍了偏最小二乘法的原理、算法、特征提取、检测指标等。4)介绍了应用PLS方法进行故障诊断的一般流程。采集了影响卷取张力控制的信号数据,并应用PLS方法对控制过程中常见的三种故障进行了检测和诊断。仿真结果表明,基于PLS方法的故障诊断,虽然会产生一定的误报,但就整体而言该方法是准确的、可行的。5)介绍了小波变换的理论。分析了小波消噪技术的原理和实现方法,并将小波消噪技术应用于卷取张力控制过程的故障诊断。仿真结果表明,经过消噪处理后的信号数据比未经处理的数据更易于对故障进行检测与诊断。
钱锟[8](2016)在《基于组合KPCA与改进ELM的工业过程故障诊断研究》文中研究指明随着科学技术的发展,现代工业生产过程的复杂程度越来越高,系统中任何一个微小的环节出现异常,就可能导致整个系统的崩溃。因此,在现代工业生产过程中,如何采取有效措施保障系统运行的安全性和可靠性,并对工业过程进行有效监控,已成为亟待解决的问题。基于上述原因,对工业过程进行故障诊断也就变得越来越重要。本文以田纳西-伊斯曼(TE)化工过程为背景,利用基于数据的方法围绕工业过程故障诊断问题展开研究。在故障诊断中,故障特征提取和分类是重要的两个部分,针对工业过程数据非线性和对实时性要求高等特点,从故障特征提取和分类两个方面对已有的算法进行分析和改进,并最终应用到TE过程故障诊断中。本文的工作主要包括以下几个方面:(1)对于故障特征提取,利用多变量统计方法进行处理。首先对基于PCA的特征提取方法进行了说明;针对PCA在提取工业过程非线性数据特征信息的缺陷,引入了KPCA方法;针对传统KPCA方法在进行高维映射时采用单一核函数的局限性,提出了一种基于核函数组合的改进KPCA方法,即将高斯径向基核函数与多项式核函数进行加权作为新的核函数,改进的特征提取方法同时具备全局核函数与局部核函数的优势,有更强的学习和泛化能力。然后,将三种统计分析方法应用到TE过程故障检测上,利用检测结果对三种方法的特征提取能力进行评估,验证了组合KPCA方法特征提取的有效性与优越性。(2)对于分类方法,由于工业过程对实时性要求较高,针对传统分类方法速度上的不足,本文引入了速度极快的极限学习机(ELM)算法。更进一步,由于传统极限学习机的输入权值W和隐层偏置b是随机选取的,这可能导致ELM的神经网络模型输出矩阵H不满足列满秩,使得模型的分类精度和运算速度出现下降。针对传统ELM的这一缺陷,本文提出了一种改进的ELM算法,在随机选取输入权值和隐层偏置的基础上对权值和偏置进行调整,从理论上保证输出矩阵列满秩的特性。将ELM和改进ELM在UCI数据集上进行了性能测试,结果表明改进ELM具有更好的分类效果和稳定性。(3)将组合KPCA和改进ELM结合起来构建故障诊断模型,用组合KPCA对数据进行特征提取,得到数据的非线性主元,在一定程度上消除了变量之间的相关性,然后利用改进ELM对故障进行分类。将组合KPCA-SVM、组合KPCA-ELM、组合KPCA-改进ELM三种方法应用到TE过程故障诊断中,结果显示组合KPCA-改进ELM具有更好的诊断性能。
宣暨洋[9](2015)在《基于主元分析和贡献图的微小故障诊断研究》文中认为随着科学技术的不断发展,工业生产过程变得越来越复杂。如果生产过程中设备发生的故障不能及时被发现的话,那么会导致整个系统处于异常状态,进而导致系统的停运或者生产事故的发生。因此,保证工业过程的安全和可靠是一个非常重要的问题。工业生产过程的监控和故障诊断技术可以帮助我们及时地发现和诊断故障,并采取相应的补救措施从而可以避免灾难事故的发生。本文主要围绕传感器微小故障的诊断问题,以及如何选取合适的主元个数来建立主元模型的问题进行讨论。其中,基于主元分析和贡献图方法的基本理论知识,在以下方面进行了相关研究:1.传统的基于统计指标进行故障检测的方法对传感器微小故障经常是失效的,而重构贡献图虽然能够保证对幅值足够大的单传感器故障进行正确的故障辨识,但是遇到微小传感器故障时还是会发生故障误辨识的情况。针对这些问题,我们提出了平均残差差值重构贡献图的方法。这种方法可以做到同时进行传感器微小故障的检测和辨识,然后利用故障重构理论里的故障估计公式直接进行故障幅值大小的估计,从而形成了完整的微小故障诊断方法。2.相对贡献图的方法虽然可以做到正常情况下所有变量的贡献值是统计相等的,但当故障发生时它的辨识效果却是很差的。由于相对贡献图已经计算出了贡献图期望值的表达式,于是我们提出了平均期望差值重构贡献图的方法,即利用原始重构贡献图和重构贡献图期望值之间的差值来产生新的贡献图。利用平均期望差值重构贡献图也可以做到同时进行传感器微小故障的检测和辨识。3.几乎所有传统的主元选择方法都没有考虑到故障检测性能和辨识性能的问题,即使考虑了故障检测敏感度的故障信噪比方法也只是针对某一类传感器故障。为了选到更加适合的主元个数,我们首先提出一个故障检测性能指标来表征故障可检测范围,然后提出一个故障辨识性能指标来判断是否有故障误辨识情况发生,同时从数学上详细分析了主元个数对故障辨识性能指标的影响。结合这两个新提出的性能指标,最后我们提出了一种基于故障检测和辨识性能优化的主元选择方法。
蔡连芳[10](2014)在《基于独立元分析的过程故障检测与诊断方法研究》文中进行了进一步梳理高效可靠的故障检测与诊断对保证工业过程生产安全和提高产品质量起着极其重要的作用。遍布于现代工业过程的传感器采集的大量过程数据,为基于数据驱动的故障检测与诊断提供了良好的发展契机。目前,独立元分析(Independent Component Analysis,ICA)是数据驱动方法中的研究热点,倍受研究人员的关注。然而,过程数据常常含有离群点、测量噪声或者具有非线性结构,传统的以ICA理论为基础的故障检测与诊断方法没有给予充分考虑。本文针对以上的过程数据特点,围绕ICA理论,研究鲁棒ICA算法、有噪ICA算法和非线性ICA算法,并进一步建立监控统计量,由此提出一套基于ICA的过程故障检测与诊断方法。主要研究工作和取得的结果如下:(1)针对建模数据含有离群点导致故障检测性能恶化的问题,提出基于鲁棒ICA的过程故障检测方法。首先,通过鲁棒白化、最大非高斯方向鲁棒搜索,提出一种能够降低离群点影响的鲁棒ICA算法,对混合矩阵和独立元特征进行估计;然后,对每个估计的独立元特征,建立监控统计量的鲁棒计算方法。混合矩阵估计仿真实验和连续搅拌反应器(Continuous Stirred Tank Reactor,CSTR)系统故障检测仿真实验结果表明,提出的方法能够更加准确地估计混合矩阵,有效地改善故障检测性能。(2)针对高斯测量噪声污染过程数据导致故障检测灵敏度下降的问题,提出基于NoisyICAn的过程故障检测方法。首先,基于四阶累积量提出能够处理高斯测量噪声的有噪ICA算法(NoisyICAn),从含噪数据中估计混合矩阵;然后,采用估计的混合矩阵,推导独立元峭度与过程变量峭度的关系式,建立独立元的峭度递推估计式和能够抑制高斯测量噪声的监控统计量。在三变量数值系统和CSTR系统的故障检测仿真实验结果表明,提出的方法能够显着提高故障检测的灵敏度,及时地检测到故障。(3)针对测量噪声不均服从高斯分布的问题,提出基于NRJDICA的过程故障检测方法。首先,通过对过程变量进行白化和对白化变量的时延协方差矩阵进行联合对角化,提出一种能够处理测量噪声且不受噪声分布影响的噪声抑制联合对角化ICA算法(NRJDICA),对混合矩阵进行估计;然后,基于估计的混合矩阵,推导独立元峭度与过程变量四阶互累积量之间的关系,对估计的独立元进行排序和选取主导独立元;最后,通过滑动窗口技术计算每个主导独立元的时序相关信息,并建立噪声抑制监控统计量。在三变量数值系统和CSTR系统上进行故障检测仿真实验,结果表明,提出的方法不需要对测量噪声分布做出假设,对故障具有较高的检测灵敏性。(4)针对过程数据的非线性和时序相关性特点,提出基于核时序结构ICA的非线性过程故障检测和故障辨识方法。首先,提出一种能够处理数据非线性结构且无需对独立元分布进行严格假设的核时序结构ICA算法,从非线性过程数据中提取独立元特征用以计算监控统计量;然后,基于灵敏度分析思想,建立一种非线性贡献图方法进行故障变量辨识。Tennessee Eastman(TE)标准工业过程的故障检测和故障辨识仿真实验结果表明,提出的方法具有较好的故障检测性能,且能够给出准确的故障变量辨识结果。(5)为了充分利用核时序结构ICA提取的独立元特征进行故障检测,提出基于核时序结构ICA和加权独立元的非线性过程故障检测方法。首先,采用核时序结构ICA从非线性过程数据中提取独立元特征;然后,采用高斯混合模型估计独立元特征的概率密度;在此基础上,度量独立元样本数据出现的概率来指导对其进行权重分配,以便在不同的采样时刻突出与故障有关的独立元特征而压制与故障无关的独立元特征,及时有效地捕捉故障信息。在四变量数值系统和TE标准工业过程上的故障检测仿真实验结果表明,提出的方法具有更加优越的故障检测性能。(6)最后,以实验室双容水箱液位控制系统及某石化公司炼油厂催化裂化装置为对象,对所提方法的有效性进行验证。结果表明,与在数值系统、CSTR系统及TE标准工业过程上的故障检测仿真研究结论一致,在实验室装置和实际现场装置上,所提方法也能够有效地检测到故障。本文提出一套基于ICA的过程故障检测与诊断方法,并通过理论推导、仿真分析、实验室双容水箱液位控制系统及实际催化裂化装置验证各方法的有效性,同时对各方法中影响故障检测与诊断性能的参数选择问题进行了深入讨论,并给出了一系列行之有效的参数选择方法。提出的方法能够为实际工业过程故障检测与诊断问题提供新的解决思路,具有较好的应用前景。
二、基于主元分析的多变量统计过程的故障辨识技术(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于主元分析的多变量统计过程的故障辨识技术(论文提纲范文)
(1)基于联邦卡尔曼滤波的INS/GPS/DVL组合导航容错算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题的研究背景与意义 |
1.2 组合导航容错技术的发展现状 |
1.2.1 惯性导航技术的发展现状 |
1.2.2 组合导航技术的发展现状 |
1.2.3 故障检测技术的发展以及在导航系统的应用 |
1.3 主要工作内容 |
第2章 组合导航与联邦卡尔曼滤波理论 |
2.1 常规卡尔曼滤波 |
2.1.1 卡尔曼滤波的基本原理 |
2.1.2 离散卡尔曼滤波的基本方程 |
2.1.3 系统状态方程的离散化 |
2.2 组合导航系统理论 |
2.3 联邦卡尔曼滤波理论 |
2.3.1 联邦卡尔曼滤波的数学描述 |
2.3.2 联邦卡尔曼滤波的工作流程 |
2.3.3 联邦卡尔曼滤波一般结构 |
2.4 本章小结 |
第3章 各导航传感器原理及其误差模型 |
3.1 惯性导航系统(INS) |
3.1.1 惯性导航导航系统工作原理 |
3.1.2 惯性导航系统的误差模型 |
3.1.3 惯性导航系统仿真设计 |
3.2 全球定位系统(GPS) |
3.2.1 全球定位系统原理 |
3.2.2 全球定位系统误差源以及误差特性 |
3.2.3 INS/GPS组合导航子系统模型 |
3.2.4 仿真验证及分析 |
3.3 多普勒计程仪(DVL) |
3.3.1 多普勒计程仪测速原理 |
3.3.2 多普勒计程仪误差模型 |
3.3.3 INS/DVL组合导航子系统模型 |
3.3.4 仿真验证及分析 |
3.4 本章小结 |
第4章 INS/GPS/DVL容错系统设计及其重构算法 |
4.1 INS/GPS/DVL组合导航系统联邦卡尔曼滤波结构设计 |
4.1.1 联邦卡尔曼滤波最优性理论分析 |
4.1.2 联邦卡尔曼滤波中的自适应分配系数 |
4.2 组合导航系统中的故障检测技术 |
4.2.1 残差卡方故障检测 |
4.2.2 双状态卡方故障检测 |
4.3 仿真验证 |
4.3.1 联邦卡尔曼系统仿真设计 |
4.3.2 故障检测仿真 |
4.4 本章小结 |
第5章 基于主元分析的组合导航系统容错系统设计 |
5.1 数据驱动与故障检测 |
5.2 基于主元分析的故障检测与辨识 |
5.2.1 PCA离线模型的建立 |
5.2.2 PCA在线检测 |
5.2.3 基于贡献图法故障辨识 |
5.3 仿真验证 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和取得的科研成果 |
致谢 |
(2)基于多元统计分析的故障检测在化工过程中的应用(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景 |
1.2 基于化工过程的故障检测技术的研究现状 |
1.3 多元统计分析的故障检测技术研究现状 |
1.4 各章节内容 |
2 基于主元分析的故障检测的研究 |
2.1 主元分析法的基本理论及算法研究 |
2.1.1 主元分析法的基本思想 |
2.1.2 主元的定义 |
2.2 PCA法故障检测 |
2.2.1 基于PCA的故障检测方法研究 |
2.2.2 主元分析的故障检测步骤 |
2.3 田纳西—伊斯曼过程 |
2.4 本章小结 |
3 基于支持向量数据描述法的故障检测研究及仿真 |
3.1 支持向量数据描述的基本理论及算法研究 |
3.2 支持向量数据描述的故障检测 |
3.2.1 基于SVDD的故障检测算法研究 |
3.2.2 基于SVDD的故障检测步骤 |
3.3 SVDD在 TE过程中的应用 |
3.4 本章小结 |
4 基于PCA-SVDD故障检测的仿真及应用 |
4.1 PCA-SVDD的基本理论 |
4.2 PCA-SVDD的建模及检测 |
4.2.1 基于PCA-SVDD的故障检测算法 |
4.2.2 基于PCA-SVDD的故障检测步骤 |
4.3 PCA-SVDD在 TE过程中的仿真及应用 |
4.4 本章小结 |
5 基于小波去噪与PCA-SVDD相结合的故障检测 |
5.1 小波去噪的原理及仿真 |
5.1.1 小波变换定义和性质 |
5.1.2 小波变换进行故障检测的基本原理 |
5.1.3 小波去噪仿真 |
5.2 基于小波去噪与PCA-SVDD相结合的故障检测 |
5.3 在TE过程中的应用 |
5.4 本章小结 |
6 总结与展望 |
参考文献 |
致谢 |
(3)基于半非负矩阵分解的工业过程故障检测与诊断研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题相关背景与应用价值 |
1.2 故障诊断的方法与分类 |
1.2.1 基于分析模型的方法 |
1.2.2 基于定性知识经验的方法 |
1.2.3 基于数据驱动的方法 |
1.3 基于数据驱动的故障诊断分类 |
1.3.1 基于多元统计的方法 |
1.3.2 基于信号处理的方法 |
1.3.3 基于定量的人工智能的方法 |
1.4 目前存在的问题 |
1.5 本文主要研究内容 |
1.6 本章小结 |
2 基于核主元分析法的故障检测 |
2.1 引言 |
2.2 主元分析法 |
2.2.1 主元分析的基本原理 |
2.2.2 主元空间和残差空间 |
2.3 核主元分析法 |
2.3.1 核主元分析方法原理 |
2.3.2 核函数概念 |
2.3.3 故障检测模型统计量 |
2.3.4 核主元分析故障检测模型 |
2.4 本章小结 |
3 基于核半非负矩阵分解的故障检测 |
3.1 引言 |
3.2 非负矩阵分解理论概述 |
3.2.1 非负矩阵分解原理 |
3.2.2 非负矩阵分解迭代规则 |
3.3 半非负矩阵分解基本概念 |
3.3.1 半非负矩阵分解算法 |
3.3.2 半非负矩阵分解迭代规则 |
3.4 核半非负矩阵分解的故障检测方法 |
3.4.1 特征空间数据白化 |
3.4.2 核半非负矩阵分解的基本原理 |
3.4.3 故障检测统计量 |
3.4.4 核密度估计法确定统计控制限 |
3.4.5 基于核半非负矩阵分解的在线故障检测 |
3.5 TE过程下的仿真 |
3.5.1 TE过程模型介绍 |
3.5.2 仿真分析 |
3.6 本章小结 |
4 基于核半非负矩阵分解的不相关最优判别向量法故障诊断 |
4.1 引言 |
4.2 Fisher判别分析法 |
4.2.1 Fisher判别分析的基本原理 |
4.2.2 不相关的最优判别向量法的基本原理 |
4.2.3 FDA判别空间维数的确定 |
4.3 基于KSNMF的UODV判别法的故障诊断 |
4.3.1 基于KSNMF-UODV故障诊断模型的训练 |
4.3.2 基于KSNMF-UODV模型的在线故障诊断 |
4.3.3 基于KSNMF-UODV方法的故障诊断流程 |
4.4 仿真分析 |
4.5 本章小结 |
5 结论与展望 |
参考文献 |
致谢 |
作者简历及攻读硕士学位期间的科研成果 |
(4)基于栈式自编码网络的故障诊断方法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
缩写、符号清单、术语表 |
第一章 绪论 |
1.1 课题背景及研究意义 |
1.2 研究现状及分析 |
1.2.1 基于多元统计分析的故障诊断方法 |
1.2.2 基于信号处理的故障诊断方法 |
1.2.3 基于粗糙集的故障诊断方法 |
1.2.4 基于机器学习的故障诊断方法 |
1.2.5 基于信息融合的故障诊断方法 |
1.2.6 数据驱动的故障诊断研究中存在的问题 |
1.3 论文的研究内容 |
第二章 基于栈式自编码网络的故障诊断 |
2.1 引言 |
2.2 栈式自编码网络 |
2.2.1 稀疏自编码网络 |
2.2.2 栈式稀疏自编码网络 |
2.3 Softmax分类器 |
2.3.1 Logistic回归分析 |
2.3.2 Softmax分类器 |
2.4 基于栈式自编码网络的故障诊断 |
2.5 Tennessee Eastman过程实验验证 |
2.5.1 TE过程介绍 |
2.5.2 故障检测 |
2.5.3 故障诊断 |
2.5.4 时间复杂度分析 |
2.6 本章小结 |
第三章 基于加权序列的栈式自编码网络故障诊断 |
3.1 引言 |
3.2 时间去噪 |
3.3 支持向量机分类器 |
3.4 基于加权序列的栈式自编码网络故障诊断 |
3.5 Tennessee Eastman过程案例研究 |
3.5.1 故障检测 |
3.5.2 微小故障检测 |
3.5.3 故障分类 |
3.6 本章小结 |
第四章 基于动态估计的栈式自编码网络故障诊断 |
4.1 引言 |
4.2 多项式泰勒展开阐释自编码网络 |
4.3 基于动态估计的表示学习 |
4.4 基于动态估计的栈式自编码网络诊断框架 |
4.5 实验验证与分析 |
4.5.1 数值分析 |
4.5.2 TE过程案例分析 |
4.6 本章小结 |
第五章 基于高阶相关性的多级故障诊断 |
5.1 引言 |
5.2 基于栈式自编码网络的高阶相关性特征提取 |
5.3 自编码网络与主元分析的关系 |
5.4 过程监控的统计量 |
5.4.1 基于重建误差的监控指标 |
5.4.2 基于Mahalanobis距离的监控指标 |
5.4.3 基于Chebyshev距离的监控指标 |
5.4.4 控制限 |
5.5 基于高阶相关性的多级故障诊断 |
5.6 实验验证与分析 |
5.6.1 TE过程上的统计量分析 |
5.6.2 TE过程与ME过程上的故障检测结果 |
5.6.3 训练集对算法的影响 |
5.7 本章小结 |
第六章 基于栈式自编码网络的阈值自适应过程监控 |
6.1 引言 |
6.2 多模态测量的表示学习 |
6.3 基于栈式自编码网络的阈值自适应过程监控 |
6.3.1 基于改进的指数加权平均法的自适应阈值更新 |
6.3.2 基于贡献图的变量隔离 |
6.3.3 基于栈式自编码网络的阈值自适应在线监控框架 |
6.4 Tennessee Eastman过程实验验证 |
6.4.1 模态辨识 |
6.4.2 在线监控 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 研究工作总结 |
7.2 研究展望 |
参考文献 |
作者简历 |
作者在攻读博士学位期间的科研成果 |
(5)核电厂传感器状态监测方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 状态监测方法综述 |
1.3 国内外研究现状 |
1.4 研究内容 |
1.5 论文结构安排 |
1.6 本章小结 |
第2章 基于PCA的传感器故障不可检测性分析 |
2.1 传感器故障类型 |
2.2 传感器故障的不可检测性分析 |
2.3 仿真测试 |
2.4 本章小结 |
第3章 传感器测量数据预处理 |
3.1 数据预处理 |
3.2 离群点的剔除 |
3.3 随机噪声的剔除 |
3.4 仿真测试 |
3.5 本章小结 |
第4章 PCA模型建模参数的选取 |
4.1 PCA模型的建模参数选取标准 |
4.2 基于不同建模参数选取标准的PCA模型 |
4.3 仿真测试 |
4.4 本章小结 |
第5章 PCA模型中误报警的消除 |
5.1 PCA模型中误报警的产生 |
5.2 基于统计分析的误报警消除算法 |
5.2.1 基于统计分析算法的理论基础 |
5.2.2 基于统计分析算法的计算流程 |
5.2.3 基于统计分析算法中相关参数的确定 |
5.3 基于循环迭代的误报警消除算法 |
5.4 仿真测试 |
5.5 本章小结 |
第6章 传感器故障辨识 |
6.1 基于高贡献率分析的故障辨识方法 |
6.2 基于迭代重构的故障辨识方法 |
6.3 基于加权贡献率分析的故障辨识方法 |
6.4 仿真测试 |
6.5 本章小结 |
第7章 基于PCA的传感器状态监测方案的综合仿真分析 |
7.1 PCA模型的分步优化算法总结 |
7.2 PCA模型优化算法的综合分析 |
7.3 PCA状态监测方案中优化算法的综合仿真测试 |
7.3.1 故障检测能力的测试 |
7.3.2 故障辨识能力的测试 |
7.4 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文和取得的科研成果 |
致谢 |
索引 |
(6)基于慢特征分析的间歇过程故障检测与诊断方法研究(论文提纲范文)
摘要 |
abstract |
第一章 引言 |
1.1 研究意义 |
1.2 故障检测与诊断技术概述 |
1.3 国内外研究现状 |
1.3.1 故障检测与诊断技术 |
1.3.2 基于SFA的故障检测与诊断技术 |
1.3.3 间歇过程的故障诊断技术 |
1.3.4 现有间歇过程监控方法存在的问题 |
1.4 论文的主要内容和工作安排 |
第二章 基于KSFA的连续过程故障检测方法 |
2.1 SFA算法 |
2.2 KSFA算法 |
2.3 构造监控统计量 |
2.4 本章小结 |
第三章 基于多路GKSFA的间歇过程故障检测方法 |
3.1 多路KSFA算法 |
3.2 MGKSFA算法 |
3.3 基于MGKSFA的间歇过程故障检测策略 |
3.4 仿真研究 |
3.4.1 数值非线性系统故障检测仿真实验 |
3.4.2 青霉素发酵过程故障检测仿真实验 |
3.5 本章小结 |
第四章 基于DGKSFA的间歇过程故障检测与故障辨识方法 |
4.1 基于DKSFA的连续过程故障检测和识别方法 |
4.1.1 DKSFA算法 |
4.1.2 基于SVDD算法构建监控统计量 |
4.1.3 基于DKSFA的故障识别 |
4.1.4 基于DKSFA的连续过程故障检测和识别策略 |
4.1.5 CSTR系统故障检测和识别仿真实验 |
4.2 基于DGKSFA的间歇过程故障检测方法 |
4.3 基于DGKSFA非线性贡献图的间歇过程故障辨识方法 |
4.3.1 线性双坐标图和非线性双坐标图 |
4.3.2 基于DGKSFA的非线性贡献图 |
4.4 基于DGKSFA的间歇过程故障检测和识别策略 |
4.5 仿真分析 |
4.5.1 数值非线性系统故障检测和故障辨识仿真实验 |
4.5.2 青霉素发酵过程故障检测和故障辨识仿真实验 |
4.6 本章小结 |
第五章 基于GSSFA的多阶段间歇过程故障检测与故障辨识方法 |
5.1 基于PRF指标的间歇过程多阶段划分 |
5.1.1 SSFA算法 |
5.1.2 基于SSFA的 PRF指标 |
5.2 GSSFA算法 |
5.3 基于GSSFA的多阶段间歇过程建模和故障检测 |
5.3.1 稳态阶段的建模和监控 |
5.3.2 过渡区域的建模和监控 |
5.3.3 基于GSSFA的多阶段间歇过程故障检测策略 |
5.4 基于改进重构贡献图法的故障辨识 |
5.4.1 传统的重构贡献图 |
5.4.2 改进的重构贡献图 |
5.5 仿真研究 |
5.5.1数值系统故障检测仿真实验 |
5.5.2青霉素发酵过程故障检测和故障辨识仿真实验 |
5.6 本章小结 |
结论与展望 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
作者简介 |
(7)卷取张力控制过程的故障诊断(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 故障诊断的研究现状 |
1.2.1 故障定义及其分类 |
1.2.2 故障诊断的定义 |
1.2.3 故障诊断的一般步骤 |
1.2.4 故障诊断的分类 |
1.3 卷取张力故障诊断的研究现状 |
1.4 论文的研究内容 |
第二章 轧机卷取张力控制系统 |
2.1 卷取张力控制系统 |
2.2 卷取张力控制方法 |
2.2.1 间接张力控制法 |
2.2.2 直接张力控制法 |
2.2.3 复合张力控制法 |
2.3 影响卷取张力控制的因素 |
2.3.1 带卷瞬时直径 |
2.3.2 卷取电动机转矩 |
2.3.3 影响间接张力控制的因素小结 |
2.4 本章小结 |
第三章 基于数据驱动的故障诊断技术 |
3.1 基于数据驱动的故障诊断技术概述 |
3.2 偏最小二乘法的理论基础 |
3.2.1 PLS方法介绍 |
3.2.2 PLS算法 |
3.2.3 特征向量的个数选取 |
3.2.4 PLS模型统计量监测指标 |
3.3 本章小结 |
第四章 基于PLS的轧机卷取张力控制过程故障诊断 |
4.1 数据的采集和预处理 |
4.1.1 数据采集系统 |
4.1.2 卷取张力控制过程的故障诊断数据采集 |
4.1.3 数据的预处理 |
4.1.4 卷取张力控制过程故障数据分析 |
4.2 卷取张力控制过程的故障诊断 |
4.2.1 统计量累计贡献图 |
4.2.2 基于PLS方法的故障诊断框架 |
4.2.3 故障诊断 |
4.2.4 故障诊断结果分析 |
4.3 本章小结 |
第五章 小波消噪在卷取张力控制过程故障诊断中的应用 |
5.1 引言 |
5.2 小波分析 |
5.2.1 小波分析概述 |
5.2.2 傅里叶变换的局限性 |
5.2.3 小波变换 |
5.2.4 小波消噪 |
5.2.5 小波基函数及分解层次 |
5.3 小波消噪在故障诊断中的应用 |
5.3.1 小波基函数及分解层次的选取 |
5.3.2 卷取张力过程数据的小波消噪 |
5.3.4 应用结果比较 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 全文总结 |
6.2 工作展望 |
参考文献 |
致谢 |
攻读硕士学位期间已发表或录用的论文 |
(8)基于组合KPCA与改进ELM的工业过程故障诊断研究(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 课题研究的背景及意义 |
1.2 故障诊断的概述及主要方法 |
1.2.1 故障诊断概述 |
1.2.2 故障诊断主要方法 |
1.3 工业过程故障诊断 |
1.3.1 工业过程的复杂性 |
1.3.2 工业过程故障诊断特点 |
1.3.3 工业过程故障诊断研究现状 |
1.4 本文的主要研究内容及论文结构 |
2 田纳西-伊斯曼工业过程描述 |
2.1 TE工业过程工艺流程 |
2.2 TE过程中的过程变量 |
2.3 TE过程的故障说明 |
2.4 TE过程数据集的产生 |
2.5 本章小结 |
3 基于多变量统计的故障特征提取方法研究 |
3.1 主元分析方法 |
3.1.1 主元分析方法基本原理 |
3.1.2 主元分析中的统计量 |
3.1.3 主元分析的特征提取方法在故障检测中的应用 |
3.2 核主元分析方法 |
3.2.1 核方法的基本原理 |
3.2.2 核主元分析方法基本原理 |
3.2.3 核主元分析统计量 |
3.2.4 核主元分析的特征提取方法在故障检测中的应用 |
3.3 基于核函数组合的改进KPCA分析方法 |
3.3.1 组合KPCA的研究思路 |
3.3.2 组合KPCA的特征提取方法在故障检测中的应用 |
3.4 基于统计分析方法的故障特征提取效果评价 |
3.5 实验结果及分析 |
3.5.1 基于PCA统计量的检测结果 |
3.5.2 基于KPCA统计量的检测结果 |
3.5.3 基于组合KPCA统计量的检测结果 |
3.5.4 检测结果对比分析 |
3.6 本章小结 |
4 基于极限学习机及其改进算法的分类方法研究 |
4.1 极限学习机理论 |
4.1.1 人工神经网络概述 |
4.1.2 极限学习机原理分析 |
4.2 传统极限学习机的不足与改进方法 |
4.2.1 传统极限学习机的缺陷 |
4.2.2 改进极限学习机的思路及理论推导 |
4.2.3 改进极限学习机神经网络模型的建立 |
4.3 ELM和改进ELM性能验证 |
4.3.1 实验环境和数据集 |
4.3.2 实验结果分析对比 |
4.4 本章小结 |
5 基于组合KPCA与改进ELM的故障诊断研究 |
5.1 故障诊断模型的建立 |
5.1.1 组合KPCA和改进ELM结合的可行性分析 |
5.1.2 故障诊断模型的构建 |
5.2 基于组合KPCA与ELM的故障诊断仿真 |
5.3 基于组合KPCA与改进ELM的故障诊断仿真 |
5.4 本章小结 |
6 研究总结与展望 |
6.1 研究工作总结 |
6.2 研究工作展望 |
致谢 |
参考文献 |
附录 |
A. 攻读硕士学位期间发表的学术论文 |
B. 攻读硕士学位期间申请的发明专利 |
C. 攻读硕士学位期间参与的工程项目 |
(9)基于主元分析和贡献图的微小故障诊断研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 故障诊断技术国内外研究现状 |
1.2.1 故障诊断技术概述 |
1.2.2 故障诊断技术分类 |
1.2.3 主元分析和贡献图的发展和研究现状 |
1.3 本文主要内容安排 |
2 基于平均残差差值重构贡献图的微小故障诊断 |
2.1 引言 |
2.2 传统的故障诊断理论方法 |
2.2.1 基于PCA的故障检测 |
2.2.2 基于贡献图的故障辨识 |
2.2.3 基于故障重构的故障估计 |
2.3 基于平均残差差值重构贡献图的微小故障诊断算法 |
2.3.1 传统故障诊断方法的不足 |
2.3.2 平均残差差值重构贡献图 |
2.3.3 传感器微小故障诊断步骤 |
2.4 仿真研究 |
2.4.1 Monte Carlo数值仿真 |
2.4.2 四容水箱仿真 |
2.5 本章小结 |
3 基于平均期望差值重构贡献图的微小故障诊断 |
3.1 引言 |
3.2 基于相对贡献图的故障诊断 |
3.2.1 相对贡献图 |
3.2.2 基于相对贡献图的故障辨识 |
3.3 平均期望差值重构贡献图 |
3.4 仿真研究 |
3.4.1 Monte Carlo数值仿真 |
3.4.2 四容水箱仿真 |
3.5 本章小结 |
4 基于故障检测和辨识性能优化的主元个数选择 |
4.1 引言 |
4.2 基于故障检测性能指标的主元选择准则 |
4.3 基于故障辨识性能指标的主元选择准则 |
4.4 基于故障检测和辨识性能优化的主元个数选择算法 |
4.5 仿真研究 |
4.5.1 Monte Carlo数值仿真 |
4.5.2 四容水箱仿真 |
4.6 本章小结 |
5 总结与展望 |
5.1 全文工作总结 |
5.2 研究工作展望 |
参考文献 |
发表文章目录 |
(10)基于独立元分析的过程故障检测与诊断方法研究(论文提纲范文)
摘要 |
Abstract |
创新点摘要 |
第一章 引言 |
1.1 研究意义 |
1.2 故障检测与诊断技术概述 |
1.3 国内外研究现状 |
1.3.1 故障检测与诊断技术 |
1.3.2 基于ICA的故障检测与诊断技术 |
1.3.3 存在的问题 |
1.4 论文的主要内容和工作安排 |
第二章 基于鲁棒ICA的过程故障检测方法 |
2.1 基于快速ICA的故障检测方法 |
2.1.1 快速ICA算法估计混合矩阵和独立元特征 |
2.1.2 建立监控统计量 |
2.2 基于鲁棒ICA的故障检测方法 |
2.2.1 鲁棒ICA算法 |
2.2.2 建立监控统计量 |
2.2.3 故障检测策略 |
2.2.4 方法分析与讨论 |
2.3 仿真研究 |
2.3.1 混合矩阵估计仿真实验 |
2.3.2 CSTR系统故障检测仿真实验 |
2.4 本章小结 |
第三章 基于NoisyICAn的过程故障检测方法 |
3.1 传统基于ICA故障检测方法的局限性分析 |
3.2 基于四阶累积量的有噪ICA算法(NoisyICAn) |
3.2.1 NoisyICAn的目标函数 |
3.2.2 NoisyICAn的优化策略 |
3.2.3 算法复杂度分析 |
3.3 基于NoisyICAn的故障检测 |
3.3.1 建立新的监控统计量计算方法 |
3.3.2 基于NoisyICAn的故障检测方法步骤 |
3.3.3 参数选择 |
3.4 仿真研究 |
3.4.1 三变量系统故障检测仿真实验 |
3.4.2 CSTR系统故障检测仿真实验 |
3.5 本章小结 |
第四章 基于NRJDICA的过程故障检测方法 |
4.1 NRJDICA算法 |
4.1.1 建立目标函数 |
4.1.2 NRJDICA的优化策略 |
4.1.3 算法复杂度分析 |
4.2 基于NRJDICA的故障检测 |
4.2.1 建立噪声抑制监控统计量 |
4.2.2 基于NRJDICA的故障检测步骤 |
4.2.3 参数选择 |
4.3 仿真研究 |
4.3.1 三变量系统故障检测仿真实验 |
4.3.2 CSTR系统故障检测仿真实验 |
4.4 本章小结 |
第五章 基于核时序结构ICA的非线性过程故障检测和故障辨识方法 |
5.1 核快速ICA算法 |
5.1.1 核主元分析法获取核白化数据 |
5.1.2 快速ICA算法估计独立元特征 |
5.2 核时序结构ICA算法 |
5.2.1 时序结构ICA算法 |
5.2.2 时序结构ICA的非线性扩展算法——核时序结构ICA |
5.3 基于核时序结构ICA的故障检测与故障辨识方法 |
5.3.1 基于核时序结构ICA的故障检测方法 |
5.3.2 基于核时序结构ICA的故障辨识方法 |
5.4 仿真研究 |
5.4.1 估计独立元特征仿真实验 |
5.4.2 Tennessee Eastman过程故障检测和故障辨识仿真实验 |
5.5 本章小结 |
第六章 基于核时序结构ICA和加权独立元的非线性过程故障检测方法 |
6.1 基于核时序结构ICA和加权独立元的非线性过程故障检测方法 |
6.1.1 核时序结构ICA估计独立元特征 |
6.1.2 基于GMM的独立元特征加权策略 |
6.1.3 基于核时序结构ICA和加权独立元的故障检测步骤 |
6.2 仿真研究 |
6.2.1 四变量系统故障检测仿真实验 |
6.2.2 Tennessee Eastman过程故障检测仿真实验 |
6.3 本章小结 |
第七章 双容水箱液位控制系统及实际催化裂化装置故障检测 |
7.1 实验室双容水箱液位控制系统故障检测 |
7.1.1 系统简介 |
7.1.2 故障检测结果及分析 |
7.2 催化裂化装置分馏系统故障检测 |
7.2.1 系统简介 |
7.2.2 故障检测结果及分析 |
7.3 催化裂化装置反应再生系统故障检测 |
7.3.1 系统简介 |
7.3.2 故障检测结果及分析 |
7.4 本章小结 |
结论及展望 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
作者简介 |
四、基于主元分析的多变量统计过程的故障辨识技术(论文参考文献)
- [1]基于联邦卡尔曼滤波的INS/GPS/DVL组合导航容错算法研究[D]. 姜南. 哈尔滨工程大学, 2020(05)
- [2]基于多元统计分析的故障检测在化工过程中的应用[D]. 张芷瑜. 辽宁石油化工大学, 2019(01)
- [3]基于半非负矩阵分解的工业过程故障检测与诊断研究[D]. 马勇. 大连海事大学, 2019(06)
- [4]基于栈式自编码网络的故障诊断方法研究[D]. 吕菲亚. 浙江大学, 2019(08)
- [5]核电厂传感器状态监测方法研究[D]. 李伟. 哈尔滨工程大学, 2018(01)
- [6]基于慢特征分析的间歇过程故障检测与诊断方法研究[D]. 张汉元. 中国石油大学(华东), 2017(07)
- [7]卷取张力控制过程的故障诊断[D]. 张琳. 上海交通大学, 2016(01)
- [8]基于组合KPCA与改进ELM的工业过程故障诊断研究[D]. 钱锟. 重庆大学, 2016(03)
- [9]基于主元分析和贡献图的微小故障诊断研究[D]. 宣暨洋. 浙江大学, 2015(12)
- [10]基于独立元分析的过程故障检测与诊断方法研究[D]. 蔡连芳. 中国石油大学(华东), 2014(01)