论文部分内容阅读
可视化过程监测和故障诊断能够极大地帮助监测人员快速了解系统的当前状态。相比于一般的统计量监测方法，采用可视化的方式更适合实际的工业系统。自组织神经网络（Self-Organizing Map，SOM）具备一定的数据邻域结构拓扑保留能力而被用于实现可视化和聚类。但是其自身结构存在离散的特点，导致最后的投影结果是高维数据的离散分布。其次在实际生产中，大多数故障是非线性的，但是传统的统计方法无法解决。针对以上两点问题，本文分别提出新的改进方法并且在TE(Tennessee Eastman)过程上进行仿真实验。通过结果对比表明，本文提出的两种方法在一定程度上能有效提高故障诊断准确率，可视化效果以及故障类别数目。具体研究如下: (1)针对SOM自身投影时存在的局限，使用投影效果更优的流形学习方法t分布随机领域嵌入(t-distributed Stochastic Neighbor Embedding，t-SNE)，特征提取方法Fisher判别分析(Fisher Discriminant Analysis，FDA)以及BP(Back-propagation)神经网络实现可视化过程监测和故障诊断。首先使用FDA对原始数据进行特征提取;其次借助t-SNE实现降维可视化。然后对原始数据和投影点之间进行BP建模。最后借助狄洛尼三角(Delaunay Triangulation)方法划定投影区域边界，对诊断结果进行定量评判。 (2)针对故障非线性的特点，提出从动态分析角度提取出过程从正常到异常变化时的主要特征进行有效故障诊断。使用动态偏最小二乘(Dynamic Partial Least Square，DPLS)提取出能反映过程变异的主要特征，然后使用SOM对提取到的特征进行有效可视化和聚类。通过实验对比表明，本章提出的方法能有效解决TE中大部分种类的非线性故障，并且在故障类别数目较大时诊断效果依旧比较理想。