论文部分内容阅读
间歇过程作为现代工业中的一种重要生产方式,被广泛应用于高附加值,高精细产品的生产和加工中,其安全可靠运行日益成为人们关注的焦点,随着间歇过程故障检测准确性的不断提高,故障检测的实时性成为目前的研究热点。本文以基于KNN的间歇过程故障检测方法(FD-KNN)为研究课题,以间歇过程故障检测实时性的优化为研究目标,开展了以下研究工作,主要研究内容分为三部分。针对间歇过程广泛存在的批次数据不等长的问题,研究以DTW(动态时间规整)方法为基础的轨迹同步方法。为改善DTW算法在高维数据处理中的速度,本文提出了采用平行四边形窗对DTW搜索路径进行约束优化策略,大大提高了同步速度,并采用TE过程数据进行相应仿真实验,验证了算法的有效性。在FD-KNN方法的基础上,针对间歇过程数据的非线性特点,研究了基于Kernel-KNN的故障检测方法。通过引入核函数思想对基于传统欧式距离的近邻方法进行改进,使正常类样本与故障类样本的差异更为显著,从而提高了故障检测准确率,在TE过程的仿真实验也验证了该算法的有效性。针对Kernel-KNN方法在面对大样本数据或高维数据时计算量和存储量很大的缺点,研究了间歇过程快速故障检测方法。1)针对单工况间歇过程,首先采用剪辑近邻法去除位于训练样本分类面之间的模糊样本,然后采用压缩近邻法去除位于分类面两端的冗余样本,在保留原样本集大部分特征的基础上大大精简了样本集。在TE过程中的仿真研究结果表明,基于快速近邻法的间歇过程故障检测方法提高了算法的运行效率,同时也保证了故障检测准确率。2)针对多工况间歇过程数据特征多样性,导致FD-KKNN检测时错误率较高的问题,本文在深入研究基于K-Means和Kernel-KNN的间歇过程故障检测方法的基础上,改进了基于密度和距离选取初始聚类中心的K-Means方法,将原样本集准确地进行分类。在TE过程中的仿真实验表明,基于改进K-Means和Kernel-KNN的故障检测方法在保证一定准确率的前提下缩短了故障检测时间,提高了故障检测的实时性。