论文部分内容阅读
随着我国工业发展速度越来越快,工业流程正朝向智能化、综合化、系统化的方向发展,生产过程中高效的故障诊断和预防可以使得生产安全性得到进一步保障。因此,故障检测成为了过程自动化中非常重要的步骤,也成为核心技术的一部分,具有相当大的实践意义和价值。除此之外,随着计算机分布式控制系统技术的不断进步,规模化的工业流程信息被存储于该系统之中。在这些海量信息中挖掘,梳理出有价值的信息,从而提升诊断故障的水平,使得依托数据信息库提升检测故障的水平变为现实。当前正在应用的检测算法,通常对原始数据进行标准化处理,然后通过主元分析法(Principal Components Analysis,PCA)对标准数据进行降维。然而,传统的PCA降维方法通常会忽略各采样批次之间相关性,会导致消除掉部分有效信息,此外,传统的故障检测方法中,SVDD(Support Vector Data Description,SVDD)算法通常无法满足工业精度数据对检测精度的要求。因此,针对以上问题,本文通过改进的算法对性能进行了有效提高。本文的具体工作如下:(1)由于传统PCA算法在处理多批次降维数据时,往往会忽略数据间的相关性,本文基于自回归滑动平均模型能够从数据当中提取出基于时间独立关系这一特点,将自回归滑动平均模型与传统PCA算法相结合,对PCA性能进行改进。通过matlab软件进行实验仿真,从汽车曲轴数据集中选择的50组样本,使用改进PCA算法进行特征降维,通过与传统PCA算法进行对比,发现改进PCA算法能够更好的保留降维后的有效信息。(2)由于传统SVDD无法调控负类样本导致检测效率不够高,本文提出一种基于改进支持向量描述算法即带负类样本的支持向量数据描述算法。通过matlab使用传统SVDD算法和改进SVDD算法对500个汽车发动机怠速的原始数据进行学习,再对故障数据进行检测,发现改进SVDD算法相比传统SVDD算法准确率得到了提高。(3)本文提出了基于改进的PCA-SVDD方法,将改进PCA和改进SVDD算法相结合,建立了故障检测规则和故障诊断规则,并用汽车发动机怠速数据进行仿真实验证明了该算法的有效性。论文基于对传统的故障检测算法的研究,对传统的检查算法检测进行了改进。本研究有利于减少工业生产中出现故障,从而提高生产效率。