论文部分内容阅读
工业过程能向智能化方向发展得益于故障检测技术的出现，作为保障工业系统稳定运行的关键技术，故障检测技术的重要性日益突出。以往传统的故障检测技术分析的是工业过程的运行机理，且要求工业过程模型十分的精确。但是，现在的工业过程系统非常复杂，这无疑使得构建精确的过程模型变得十分的困难。鉴于此，学术界的学者把目光转向了工业系统产生的数据，这些数据中包含了工业过程中的所有信息，如何从这些数据中挖掘出有用信息成为了故障检测研究的重点。在这样的时代背景下，基于数据驱动的故障检测技术应运而生。虽然现有的技术在线性和非线性的工业过程中得到了广泛的发展及应用，但是也存在一些问题：（1）对离群点数据比较敏感；（2）对数据的分解不完全等。针对以上问题，本文以核偏最小二乘法（Kernel Partial Least Squares,KPLS）为算法的理论基础，并对KPLS进行改进，试图建立的模型更能满足当代工业过程检测的需求。
本文首先介绍的是偏最小二乘法的基础理论知识，然后通过偏最小二乘法和核函数引入核偏最小二乘法，针对传统KPLS方法对离群点敏感的问题，提出了基于鲁棒核偏最小二乘法的故障检测方法，该方法首先将传统的标准化替换成鲁棒标准化，然后在数据建模阶段对KPLS方法进行改进，使其具有鲁棒性，进一步消除离群点对故障检测的影响。为了验证该方法的可行性，以化工过程（Tennessee Eastman,TE）数据和污水处理仿真系统数据为实验对象。实验表明鲁棒KPLS方法比KPLS方法具有更高的故障检测性能。
针对 KPLS 方法对数据不完全分解的问题，有学者提出了 MKPLS（Modified Kernel Partial Least Squares, MKPLS）方法，但是该方法对异常数据比较敏感，在含有异常数据的情况下不能建立准确的模型，这将直接影响到对工业过程的故障检测。对此，本文提出了鲁棒的MKPLS方法，该方法先对KPLS方法进行改进；然后是利用奇异值分解（Singular Value Decomposition,SVD）将回归系数矩阵分解为两部分，一部分是与质量相关的故障，另一部分是与质量无关的故障。通过数值算例和TE过程数据进行仿真实验对象。实验结果表明在质量相关故障检测方面，新方法具有更优的监控性能。
本文首先介绍的是偏最小二乘法的基础理论知识，然后通过偏最小二乘法和核函数引入核偏最小二乘法，针对传统KPLS方法对离群点敏感的问题，提出了基于鲁棒核偏最小二乘法的故障检测方法，该方法首先将传统的标准化替换成鲁棒标准化，然后在数据建模阶段对KPLS方法进行改进，使其具有鲁棒性，进一步消除离群点对故障检测的影响。为了验证该方法的可行性，以化工过程（Tennessee Eastman,TE）数据和污水处理仿真系统数据为实验对象。实验表明鲁棒KPLS方法比KPLS方法具有更高的故障检测性能。
针对 KPLS 方法对数据不完全分解的问题，有学者提出了 MKPLS（Modified Kernel Partial Least Squares, MKPLS）方法，但是该方法对异常数据比较敏感，在含有异常数据的情况下不能建立准确的模型，这将直接影响到对工业过程的故障检测。对此，本文提出了鲁棒的MKPLS方法，该方法先对KPLS方法进行改进；然后是利用奇异值分解（Singular Value Decomposition,SVD）将回归系数矩阵分解为两部分，一部分是与质量相关的故障，另一部分是与质量无关的故障。通过数值算例和TE过程数据进行仿真实验对象。实验结果表明在质量相关故障检测方面，新方法具有更优的监控性能。