论文部分内容阅读
随着高新技术的出现,现代化工业生产设备结构变得尤其复杂,系统的复杂性也越来越高。一旦这些生产系统在工业生产过程中发生故障,不仅正常生产得不到保障,还有可能给企业带来不可估量的经济损耗,甚至造成极其严重的灾难性事故。如果我们对生产过程中发生的故障能够进行及时准确地监测及诊断,就可以找到故障产生的原因及时进行系统修护从而来保障生产能够顺利进行,有效地降低生产的用料成本,增加公司的经济收益。在此需求下,基于数据驱动的工业过程诊断和系统故障检测技术迅速成为了工业过程监控领域一个需要深入研究的热点问题。基于数据驱动的故障诊断和检测技术可以有效地提高生产系统的安全性和可靠性,及时准确地监控和检测过程故障,增加生产过程运行的安全性。然而,在实际生活中,因为工业生产过程的强耦合性、结构复杂性等特点,工业生产过程数据具有高维度、非高斯、多模态、非线性、时序相关等特性。针对这些生产数据不同的特性需要研究新的方法和策略来逐一解决。本文主要的研究工作及贡献如下:(1)针对连续生产过程中生产数据量偏大、故障检测时间长、检测效率低等问题,提出一种主元分析(Principal Component Analysis,PCA)和支持向量数据描述(Support Vector Data Description,SVDD)结合的故障诊断及检测方法。该方法首先将采集的原始生产数据用主元分析方法进行数据维度的降低,获得维数简约的主元空间数据及残差空间数据;然后在此基础上对主元空间和残差空间的得分矩阵先后运用支持向量数据描述方法建立模型,获得阙值;最后将新的测试数据放入建立好的模型之中,利用之前建立的模型进行故障检测。通过一个数值仿真例子和TE过程数据进行算法的有效性研究,实验结果表明文中方法具有节约时间、降低漏检率的优点。(2)针对现代工业存在的多模式运行环境,提出一种基于近邻差分(Nearest Neighbors Difference,NND)算法和SVDD算法相结合的多模态工业过程故障诊断方法(NNDSVDD)。首先应用NND预处理多模态数据,消除多模态数据结构;然后在获得的差分数据集上应用SVDD确定统计量的控制限;最后将新的测试数据带入模型之中计算测试数据的统计值将其与控制限的值进行比较来确定测试数据的状态。近邻差分算法能够剔除数据的多模态结构为SVDD提供良好的数据建模基础;在差分数据集的基础上应用SVDD,提高了传统SVDD对多模态过程故障的检测能力。将NNDSVDD应用于数值模拟例子和半导体生产过程进行仿真测试。仿真实验结果表明,与传统SVDD相比NNDSVDD解决了多模态数据处理的问题,提高了故障检测率。(3)针对化工生产过程采集的数据间具有的强相关性和多模态的问题,提出一种基于近邻差分的加权动态SVDD多模态故障诊断方法(NND-DWSVDD)。首先利用NND剔除数据多模态结构,保证过程数据服从单峰分布;接下来对差分处理后的单模态数据引入动态方法并加入权重因子,在消除数据间的相关性的同时将重要的信息凸显出来;最后利用SVDD方法建立模型,实现在线检测。NND-DWSVDD不仅解决传统SVDD由于忽略数据间的序列相关而导致检测效果不佳问题而且实现了SVDD对多模态故障进行检测的目的,大大提高了算法的检测效率和检测能力。