论文部分内容阅读
在日趋复杂的工业过程中，为了保障设备的安全运行，提高生产效率，改善产品质量，特别是尽可能避免灾难性事故的发生，对过程状态进行故障检测与诊断（FDD）是十分必要的。同时，由于计算机集散控制系统的应用和发展，工业过程中会不断有大量的测量数据储存在历史数据库中。如果能够有效的利用这些海量数据，从中挖掘出能够反映系统状态的隐含信息，就可以建立良好的故障检测与诊断模型。这种基于数据的故障检测与诊断方法已经成为当前的一个研究热点。作为一种新兴的多元统计分析方法，非负矩阵分解（NMF）在智能信息处理研究领域具有十分重要的应用意义。由于在机理上具有隐变量的正向纯加性的特点，NMF方法在实现数据压缩（或曰维数约简）时，能够基于数据的局部特征来描述数据的信息，因而表现出了比传统的方法如主元分析（PCA）等更好的数据解释能力。鉴于NMF方法具有重要的研究和应用价值，本文旨在探讨将其应用到FDD新方法的研究之中。首先，考虑到FDD领域的特点和要求，本文提出一种广义非负矩阵投影（GNMP）算法作为处理过程数据的核心算法。然后，本文基于GNMP算法研究提出一类FDD新模型；进而对该模型在增强鲁棒性、增加自适应特性以及引入类别信息的监督机制等方面来进行扩展。具体来说，本文的主要工作和贡献体现在以下几个方面：（1）在现有NMF理论和方法的基础上，提出一种嵌入线性投影的NMF新方法——广义非负矩阵投影（GNMP）算法。该方法放宽了原始数据的非负条件，分解得到的基矩阵具有更好的稀疏性和正交性，并且该方法的乘性迭代规则具有理论上的收敛性。（2）考虑过程数据的非高斯性，建立基于GNMP算法的故障检测与诊断模型：提出两个适合GNMP模型的监控统计量——N2和SPE；然后采用核密度估计方法来确定统计量的控制限，以用来在线检测过程的异常情况；另外，为了诊断故障的位置，还设计了针对GNMP的贡献图方法。（3）研究加强GNMP模型的鲁棒性来解决复杂工况中出现的数据缺失现象，具体为在GNMP算法的基础上融入EM算法的思想，提出一种处理不完整数据的新算法，该方法可以在分解原始数据空间的过程中，将丢失的数值估计出来，进而建立数据缺失情况下的鲁棒故障检测与诊断模型。（4）针对复杂工况中出现的时变性问题，研究对GNMP模型增加自适应特性的方法，具体为在GNMP算法的基础上结合移动窗技术，本文提出一种基于MWGNMP的自适应故障检测与诊断方法。该方法可以在过程的稳态发生变化的时候，自适应地更新故障检测与诊断的模型，使得该过程仍然保持在受控状态。（5）研究令GNMP模型能够充分利用数据的类别信息的方法，建立一种有监督的故障分类模型。该方法在GNMP算法基础上融合了Fisher判据分析的思想，将故障诊断转化为一个多类分类问题，即便过程中出现多故障问题，该方法仍然具有很好的诊断性能。