论文部分内容阅读
由于工业过程复杂的内部机制、各种过程干扰和随机噪声的存在、惯性环节和储能环节的存在、闭环控制器的广泛应用、以及采样间隔较短等原因,使得过程变量的采样数据往往具有与时间相关的动态性。对复杂的工业过程很难建立精确的过程模型及故障模型,故本文研究是基于数据驱动的动态故障诊断方法,属于多变量统计过程控制(MSPC)领域。MSPC方法是先对历史数据进行离线建模分析然后对在线数据进行实时监控的故障诊断方法,能够切实有效的评估工业过程的运行状态并进行故障检测。本文的主要研究工作包括：(1)详细总结了工业过程数据动态性产生的原因和影响；简单介绍了故障诊断的过程和方法的分类；主要从基于MSPC方法方面阐述了动态数据故障诊断方法的研究现状,并总结了故障诊断方法针对数据动态性改进的几个主要方面。(2)主要介绍了动态主元分析(DPCA)和动态独立元分析(DICA)两种应用较广的非质量动态故障诊断方法。首先,介绍了基于DPCA的故障诊断；然后,针对DPCA不能很好地处理实际工业过程数据的非高斯性,对DICA方法及应用于故障诊断的过程进行了详细研究；最后,利用田纳西-伊斯曼过程(TE)的典型故障证明了,DICA在检测DPCA难以检测的小故障方面的优越性。(3)提出了子空间辨识和动态独立元分析(SI-DICA)相结合的故障诊断方法。首先,理论证明DICA方法潜隐变量的相关性,并仿真验证了DICA故障诊断方法由于人为引入的动态性会造成连续误警的现象；然后,详细介绍了典型变量分析(CVA)这一子空间辨识方法；最后,提出了子空间辨识和动态独立元分析相结合的SI-DICA方法,并通过实验验证了本方法避免了连续误警现象的产生,同时降低了误警率,进一步提高了故障检测率,减小了故障延迟。(4)对本文提出方法存在的问题和改进方面进行了设想,对故障诊断方法未来可能的发展趋势进行了总结。