论文部分内容阅读
近年来,由于科技的不断进步和发展,工业过程拥有越来越复杂的生产过程,所以一个特别重要的问题就是使生产过程更加可靠和安全。基于多元统计分析的故障检测方法是故障诊断检测的一个重要分支,由于运用该算法所需的大量生产过程数据易于在工业现场获取,不依赖于数学模型,因而基于数据驱动的过程故障诊断具有重要的理论价值和应用价值。本文主要阐述了多模态过程故障检测的研究现状,多模态数据集具有两个主要特征,一是各模态数据中心不重合;二是数据离散程度不同,即各模态方差不同。针对化工间歇生产过程的多模态问题,提出了一种新的动态多向局部离群因子(DMLOF)方法解决了多模态过程多中心的问题。针对多模态数据多中心和模态方差差异明显的问题,提出了局部近邻标准化偏最小二乘(LNS-PLS)方法。针对间歇过程多模态数据质量相关问题,提出了主元近邻标准化偏最小二乘(TNSPLS)方法。针对多模态过程中输出相关故障和输入相关故障,本文提出一种新的改进的偏最小二乘(IPLS)的多模态过程故障检测方法。并将四种方法运用于青霉素多模态过程中,取得了较好的效果。具体来说,主要工作及贡献如下:1.针对化工间歇生产过程的多模态问题,为了提高故障检测性能,将滑动窗口技术与局部离群因子(LOF)算法相结合,提出了一种新的动态多向局部离群因子(DMLOF)用于工业过程在线故障检测的方法。首先将间歇过程三维数据展开成二维数据,利用滑动窗口技术分别在时间片内运用局部离群因子算法计算LOF统计量,并利用核密度估计(KDF)确定控制限。其次,对于新来数据标准化处理后分别在相应窗口内投影,确定新数据的LOF统计量并与控制限比较进行故障检测。最后通过青霉素发酵过程的实验结果验证了该算法的有效性。2.本文针对多模态间歇过程数据多中心和模态方差差异明显的问题,提出了一种基于局部近邻标准化偏最小二乘方法。该方法首先利用局部近邻标准化方法将原始数据进行高斯化处理,建立偏最小二乘监控模型,确定控制限;然后同样对测试数据进行局部近邻标准化处理,再计算测试数据的高斯偏最小二乘监控指标,进行过程监视及故障检测。最后,通过数值实例和青霉素发酵过程验证方法有效性。实验结果表明所提方法解决了故障样本近邻集跨模态问题,对多模态数据具有更好的故障检测能力。3.针对间歇过程多模态数据质量相关问题,本文提出了一种基于主元近邻标准化偏最小二乘方法。该方法首先建立偏最小二乘模型,得到主元矩阵和投影矩阵,将主元矩阵进行主元近邻标准化处理,得到新的主元再计算T2ns统计量、Q统计量和控制限;然后通过投影矩阵计算测试数据主元,对其进行主元近邻标准化处理后,再计算测试数据的T2ns和Q监控指标,进行过程监视及故障检测。最后,通过数值实例和青霉素发酵过程验证方法有效性。实验结果表明所提方法对质量相关的多模态数据具有更好的故障检测能力。4.当数据具有多模态的结构时,其投影到PLS的主元空间仍具有多模态的结构。此外PLS的残差空间通常具有较大变化不适合Q统计量监控。为了解决上述两个问题提出一种改进的PLS方法。新的方法对PLS的主元空间进行处理使其近似服从多元高斯分布。同时残差空间进一步分解为IPS和IRS。通过数值实例和青霉素发酵过程验证IPLS方法的有效性。实验结果表明所提方法对多模态过程中质量相关故障和质量无关故障具有很好的故障检测能力。