论文部分内容阅读
随着工业智能化程度越来越高,保障生产过程安全和产品质量已成为当前必须面对的问题,而过程检测技术就是解决此类问题的有效方法。工业生产运行过程每时每刻都在产生并储存大量数据信息。近年来,基于数据的过程检测技术得到了较大地发展;其中,多变量统计过程检测方法是该领域的研究重点。多元统计分析方法在工业化工过程故障检测领域已得到广泛应用。传统主成分分析方法(Principal component analysis,PCA)是基于全局结构特征的过程检测方法,对过程数据的整体结构具有较强地捕捉性。PCA方法对工业过程检测时,需要先假设过程数据服从高斯分布和线性特性,但实际化工生产过程中数据总是存在非高斯信息和噪声等干扰因素,且PCA方法仅仅解除了变量相关性并没有对独立性进行分析。独立成分分析(Independent component analysis,ICA)方法,可以弥补PCA检测模型的不足,通过高阶统计量提取过程数据中的独立成分,获得相互统计独立的数据信息,且服从高斯分布。ICA方法对过程数据存在非高斯性有较好的处理能力,但ICA方法处理过程数据存在非线性问题时,不如支持向量数据描述(Support vector data description,SVDD)方法效果好。SVDD通过把原始数据投影到特征空间,在特征空间构建一个包含样本数据的超球体,通过构建SVDD模型实现过程故障检测。针对工业过程数据具有分布复杂的特性,且实际工业过程数据存在非线性和非高斯性问题,基于此,本课题结合ICA算法和SVDD算法完成化工过程故障检测,提出一种基于ICA-SVDD的工业过程故障检测方法。首先,利用ICA算法对工业过程数据进行数据独立成分提取,提取独立成分需要寻找一个分离矩阵W,通过W的线性变化,可以将独立主元从混合信号中分离出来,所得到的独立成分是相互统计独立的;然后,把提取出来的数据利用SVDD算法进行数据的重构,构建相关统计量并确定其相应的统计限,最后,完成对田纳西-伊斯曼(Tennessee Eastman,TE)过程的数值仿真实验,实验结果验证了所提出故障检测模型的有效性。