基于数据的故障检测方法的研究与应用

论文摘要

在大型化、复杂化的工业过程中,不断检测过程的变化和故障信息是十分必要的。多变量统计过程监控是一个新兴的过程监控方法,己被广泛的应用于解决故障监测的问题。独立元分析(ICA)算法是近几年才发展起来的一种新的基于多变量统计的故障监测方法。其优点是不用像主元分析算法(PCA)那样假设过程变量满足高斯分布,并且可以利用过程变量的高阶统计信息。同样核独立元分析(KICA)算法在ICA的基础上可以进一步解决数据的非线性问题。所以不断的改进KICA算法,使它在工业过程中故障检测发挥更大作用是很有必要的。本文在前人工作的基础上,提出了两种改进的KICA算法,主要研究工作如下：(1)随着大型工业过程变得越来越复杂,过程变量越来越多,这些过程变量中可能有一部分有很强的相关性,如果应用简单的多变量统计过程监测方法进行分析,可能需要很大的计算量,而且其结果很难预测,有可能产生很多的误报和漏报。这里提出了基于多块核独立元分析算法来解决工业过程的复杂性问题。该方法将变量分成不同的几块,先对每一块的数据应用MBKPCA方法进行分析,得到白化矩阵,通过白化矩阵求得白化数据,然后对每一块的白化数据应用ICA方法进行故障检测。将此方法应用于冷轧连续退火过程中,与其他方法相比取得了较好的监测效果,同时缩小了异常故障发生的位置。(2)对于多模态工业过程,它是指在一条生产线上有多种工作条件,不同工作条件对应生产不同型号的产品。应用传统的多变量统计分析方法,由于他们没有考虑到不同模态之间的相关性,所以有可能导致得出错误的监测结果。这里提出了基于多模态核独立元分析算法来解决工业过程的多模态问题。通过跨模态的思想,找出不同模态之间相似性和不同性,公共部分表示的是模态之间具有相同变化规律的部分,特殊部分表示的是各个模态所特有的特性,然后应用KICA算法对每一部分进行故障监测。将此方法应用与冷轧连续退火过程中进行过程监控,仿真结果表明,该方法不仅能识别数据属于哪个模态,同时能大大降低误报警,提高故障检测的准确性。此外,新方法给出一个综合的模态分析,可以全面的理解整个工业生产过程。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的意义
• 1.2 多元统计过程监控概述
• 1.2.1 过程监控概述
• 1.2.2 统计过程监控与多元统计过程监控
• 1.3 故障检测与诊断技术概述
• 1.3.1 故障的分类
• 1.3.2 故障诊断的分类
• 1.3.3 故障诊断的基本方法
• 1.4 论文的结构和主要工作
• 第2章 基于数据的故障检测方法
• 2.1 主元分析方法
• 2.2 独立元分析方法
• 2.2.1 独立元分析的定义
• 2.2.2 数据预处理
• 2.2.3 独立元分析算法
• 2.3 几种改进的故障检测方法
• 2.4 本章小结
• 第3章 基于MBKICA的故障检测方法
• 3.1 KICA的基本原理
• 3.1.1 在特征空间中白化数据
• 3.1.2 利用改进ICA提取非线性独立元
• 3.2 MBKICA的基本原理
• 3.2.1 核矩阵分块
• 3.2.2 MBKPCA算法求白化矩阵
• 3.2.3 用ICA算法进行故障检测
• 3.3 连退过程的统计过程监控
• 3.3.1 冷轧连续退火机组的生产过程描述
• 3.3.2 2BR的仿真结果分析
• 3.3.3 退火炉的仿真结果分析
• 3.4 本章小结
• 第4章 基于多模态KICA的故障检测方法
• 4.1 引言
• 4.2 提取各个模态的全局主要向量
• 4.3 引入核方法提取各模态全局主要向量
• 4.4 多模态KICA算法的基本原理
• 4.5 仿真研究
• 4.6 本章小结
• 第5章 总结与展望
• 5.1 本文总结
• 5.2 工作展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文