论文部分内容阅读
随着现代工业复杂程度的不断增加,各个生产环节联系越来越紧密,大大缩短了工期、降低了人工成本、促进了生产的现代化发展,也意味着对于操作细节的标准提高了。若系统中某一小环节出现故障,轻则影响产品精度,重则造成整个系统瘫痪,对工业生产造成巨大影响。为了确保工业生产过程的顺利进行,我们应加大对故障诊断方法的研究力度。现代工业中精进的信息提取与存储技术为采集高维度、多种类的海量数据提供了保障,所以现代化间歇工业生产过程的故障诊断重点也从对二维数据的诊断转向对多维数据的诊断。采用多维数据的间歇故障诊断方法通过对数据进行在线分析和工况判断,可以诊断出故障位置并消除干扰,以保证工业生产过程正常运行。本文主要研究基于数据驱动的多元统计分析与机器学习的故障诊断方法。将两种方法适度融合应用到机床设备的间歇工业生产过程中,一方面,以传统主元分析(Principal Component Analysis,PCA)为基础,研究基于间歇数据的多向主元分析(Multivariate Principal Component Analysis,MPCA)和时段软化划分方法。另一方面,以机器学习为基础,将K邻近算法与随机投影(Johnson-Lindenstrauss,JL)转换相结合,完成间歇过程中过渡时段的故障诊断。本文的主要内容如下:一、针对间歇工业过程时段划分问题,将传统时段软划分与K-means最佳聚类算法融合,提出一种基于最佳聚类时段软化分方法。该方法增加了初始化聚类中心点选择的科学性,提高了子时段划分的可靠性,从而使过渡时段的筛选更加精确。二、针对间歇工业过程子时段故障诊断问题,将K-means最佳聚类过渡区间筛选与MPCA故障诊断融合,提出基于改进时段软化分的MPCA故障诊断方法,利用MPCA对间歇生产过程的子时段进行故障诊断。该方法避免了由随机选择初始聚类中心点而引起的时段划分不准确。三、针对间歇工业过程过渡时段故障诊断问题,采用了随机投影方法,将其应用到到kNN过渡时段故障检测。该方法将过渡模态数据通过一个去随机化的JL(Johnson-Lindenstrauss)转换,快速生成投影矩阵。将过渡模态数据从高维空间投影到低维空间,保存了任意两点的距离信息,再利用kNN方法进行故障诊断,从而降低了故障的误报率和漏报率,提高了故障诊断的精度。