论文部分内容阅读
现代工业生产过程日益复杂,使得操作人员往往要面对高维的复杂数据,因此需要使用有效的降维技术以及相应的过程监控方法来帮助操作人员更好地监控过程的运行状态。本文在保局投影(LPP)的基础上,通过添加保持全局结构的约束条件,研究综合考虑局部和全局结构信息的故障检测方法。本文的主要研究内容如下:在LPP的基础上,通过最大化非局部数据点间的距离保持非局部结构特征,并对投影向量做正交约束,给出了一种基于正交非局部约束LPP(ONSC-LPP)的故障检测方法。ONSC-LPP在对原始数据空间降维的同时充分提取其中所包含的局部和非局部数据结构特征,通过迭代计算所得的正交投影向量更有利于保持数据分布的整体形状以及构造监控统计量。运用ONSC-LPP对原始数据空间降维后,分别在特征空间和残差空间构造T~2统计量和Q统计量进行故障检测。TE过程的仿真结果表明,与传统方法相比,ONSC-LPP能更迅速检测故障发生并降低过程监控漏报率。针对LPP没有考虑过程数据的全局信息和动态性的问题,给出一种基于动态稀疏保局投影(DSLPP)的故障检测方法。该方法首先将原始数据矩阵扩展为考虑时序相关的增广矩阵,然后通过求解最优稀疏表示(SR)问题,得到能够表示数据全局稀疏重构关系的稀疏重构权重矩阵,并将其与LPP算法结合,构建综合考虑数据局部和全局关系的目标函数进行数据降维,最后分别在特征空间和残差空间构造T~2统计量和Q统计量进行故障检测。TE过程的仿真结果验证了该方法的有效性。针对实际工业过程中变量间广泛存在非线性关系的问题,将稀疏保局投影(SLPP)利用核方法扩展到非线性领域,给出了一种非线性故障检测方法核稀疏保局投影(KSLPP)。该方法首先将原始数据利用核函数投影到高维空间,使原来线性不可分的数据变得线性可分,然后在高维空间中进行稀疏表示,构造核稀疏重构权重矩阵,并将其与核LPP算法结合进行特征提取,最后在各个子空间构造统计量进行故障检测,通过TE过程对该方法的有效性进行验证。最后,通过对GK06过程控制实验装置进行实验研究,在实际装置上验证ONSC-LPP、DSLPP和KSLPP三种故障检测方法的有效性。