论文部分内容阅读
现代工业过程自动控制正朝着大型化、复杂化的方向发展,控制系统和设备一旦发生故障,不仅排除的时间增长,而且将造成巨大的经济损失,甚至是人员伤亡。因此,为了保证系统能够可靠高效的运行,除了对工业过程实施良好的控制以外,研究能够对生产过程进行实时的故障检测,以及可以确定故障类型和故障源的过程监测及故障诊断系统就显得格外重要,具有重要的理论意义和广泛的应用价值。基于多元统计过程控制的过程监测及故障诊断方法是当前过程监测及故障诊断领域上的一个重要研究分支,它通过对过程测量数据的分析和解释,可在线检测和识别过程中出现的异常工况。本文以田纳西--伊斯曼(TE)过程为研究背景,将小波去噪与传统的主元分析(PCA)以及独立元分析(ICA)等过程监测方法结合起来,并改进了一种新的故障诊断方法,具体包括：(1)在小波分析的基础上,研究了小波分解阈值法去噪的离线及在线应用。(2)研究了基于主元分析(PCA)以及其与小波去噪相结合的过程监测方法。(3)研究了基于独立元分析(ICA)的过程监测方法,并利用小波分析的去噪特性以及PCA的降维特性,将小波去噪、PCA和ICA方法结合起来用于过程监测。(4)研究了基于子空间混合相似度的故障诊断方法。该方法充分的利用了过程数据中的高斯和非高斯信息,将PCA子空间的距离相似度和ICA子空间的余弦相似度结合在一起进行故障诊断。TE仿真结果表明,经典的PCA方法可以很好的检测出大多数故障,但对部分故障的检测效果则不好,而将小波去噪与PCA结合在一起,有效的提高了某些故障的检测率,但对于某些特定故障仍未能有很好的检测效果。小波去噪结合PCA-ICA的方法较其它方法明显的提高了故障检测率,尤其是改善了类似故障3的故障检测效果。另外,改进的基于子空间混合相似度的故障诊断方法较传统的变量贡献图可以识别出一些较难辨识的故障。