论文部分内容阅读
化工、电力等工业过程中如果未能及时检测出故障并采取相应措施,将会造成严重的经济损失,甚至威胁生命安全。随着系统的日益复杂和计算机技术、传感器技术的蓬勃发展,基于数据驱动的故障检测方法得到越来越多的研究和应用。近年来,基于支持向量描述(Support Vector Data Description,SVDD)的故障检测方法由于对非高斯、非线性问题具有一定的处理能力,得到工业界的广泛关注,但其从理论走向实践的过程中面临着许多的挑战和问题。本文主要解决其中三个问题:(1)SVDD方法有效的前提是数据样本在特征空间分布的形状大致符合超球体,然而实际应用中该前提假设易违背,造成严重漏报;(2)选择模型参数存在难点,且参数优化没有统一标准;(3)SVDD方法,包括一些传统的基于数据驱动的故障检测方法,面对具体问题时易于实施检测,但检测结果却难以为后续故障隔离辨识提供有效的信息。本研究在探讨了每个问题相应解决方案的基础上,设计了多方法联合的故障检测策略,主要工作如下:第一,针对问题(1),深入分析了该前提对SVDD方法检测性能的影响,提出了超椭球体支持向量描述(Hyper-ellipsoidal Support Vector Data Description,ESVDD)方法。所提方法通过引入包含数据分布信息的马氏距离,能综合样本个主元方向信息确定决策边界,有效减少了边界包围的非必要区域面积,降低了故障漏报风险,具有更强的适用性;在此基础上进一步设计了面向超椭球体支持向量描述的序贯最小化(Sequential Minimal Optimization,SMO)方法用以求解ESVDD检测模型。最后,在不同数据集上的仿真结果表明所提方法的故障漏报率显著降低。第二,针对问题(2),深入分析了单分类方法自身和参数优化算法两个层面存在的局限性,在此基础上提出了基于和声搜索的带故障类超椭球体SVDD故障检测方法(Harmony Search-based Hyper-ellipsoidal SVDD with Fault samples,HS-FESVDD)。其中,对于单分类方法本身因样本信息利用不全而造成的参数不适合问题,在第二章基础上提出了带故障类超椭球体支持向量描述(FESVDD)方法,使得所选择的参数同时适合于正常和故障两类样本;对于常用参数优化算法,如GA等,存在的计算负荷较大和优化算法自身参数调节困难问题,引入一种新颖方法——和声搜索(Harmony Search,HS)算法,实现了参数寻优的快速收敛,并且设计了相应参数自适应策略,在一定程度上解决了优化算法参数调节难题。最后,在UCI数据集和TE过程上的仿真结果表明HS-FESVDD相比于同类方法和基于主元分析的检测方法,检测故障能力显著提高。第三,针对问题(3),首先提出了基于滑动窗口子空间辨识(Moving Window Subspace Indentification,MWSI)的故障检测方法,该方法借鉴基于模型故障检测方法的检测结果在故障信息表达方面的优势,利用子空间辨识方法(Subspace Identification Method,SIM)由过程观测样本直接构建残差生成器;通过引入并设计滑动窗口规则,提高了方法对微小故障的检测能力。进一步,针对单一 MWSI方法对样本要求较苛刻的问题,利用ESVDD的小样本学习能力,设计了联合ESVDD和MWSI的故障检测策略(ESVDD-MWSI)。在TE过程上的仿真结果表明,所设计策略对微小故障具有较强的检测能力,并且检测结果能实现对故障的初步定位,为后续故障隔离提供了必要的参考。