基于非線性主元分析的間歇過(guò)程故障診斷方法.pdf

1、間歇過(guò)程在現(xiàn)代生產(chǎn)中所占的比重越來(lái)越大。切實(shí)保障間歇過(guò)程生產(chǎn)的安全可靠運(yùn)行對(duì)保證工作人員的生命與健康、環(huán)境的可持續(xù)發(fā)展,提高產(chǎn)品質(zhì)量和經(jīng)濟(jì)效益都有很重要的意義。因此,間歇過(guò)程故障診斷技術(shù)正日益受到工業(yè)界和學(xué)術(shù)界的關(guān)注和重視。本文針對(duì)間歇過(guò)程的非線性等特點(diǎn),對(duì)多向主元分析方法進(jìn)行改進(jìn),以提高間歇過(guò)程故障檢測(cè)的性能。論文的主要研究?jī)?nèi)容如下:
　　 首先針對(duì)間歇過(guò)程數(shù)據(jù)中存在的強(qiáng)非線性以及測(cè)量數(shù)據(jù)含噪問(wèn)題,給出了一種基于小波變換多向核

2、主元分析(WT-MKPCA)的間歇過(guò)程故障檢測(cè)方法。該方法首先利用非線性小波變換閾值法去除測(cè)量數(shù)據(jù)噪聲,提取有效信息:然后利用核函數(shù)將數(shù)據(jù)從低維非線性空間映射到高維線性空間,進(jìn)行線性主元分析,并建立監(jiān)控模型。在盤尼西林發(fā)酵過(guò)程上進(jìn)行故障檢測(cè)仿真,結(jié)果表明:該方法能夠有效抑制測(cè)量噪聲,并能提取過(guò)程的非線性特征。相比MKPCA算法,能夠提前檢測(cè)到故障的發(fā)生,并減少誤報(bào)和漏報(bào)。
　　 為了進(jìn)一步考慮間歇過(guò)程的動(dòng)態(tài)特性,在非線性主元分析

3、方法的基礎(chǔ)上,給出了一種批動(dòng)態(tài)核主元分析(BDKPCA)算法。該算法利用核函數(shù)的方法提取過(guò)程的非線性特征,并通過(guò)構(gòu)造ARMAX時(shí)間序列模型的方法提取過(guò)程的動(dòng)態(tài)特性;然后對(duì)提取的特征進(jìn)行分析,得到主成分,并利用T2和SPE統(tǒng)計(jì)量監(jiān)控過(guò)程是否有故障發(fā)生。同時(shí),間歇過(guò)程的樣本數(shù)量多且含有批次信息,導(dǎo)致核矩陣的計(jì)算量大、求解困難。為了解決這一問(wèn)題,首先利用特征樣本選擇(FVS)的方法從原始輸入樣本集中提取特征樣本,大大壓縮樣本數(shù)目,然后僅基于提

4、取的特征樣本進(jìn)行批動(dòng)態(tài)核主元分析。對(duì)盤尼西林發(fā)酵過(guò)程的監(jiān)控結(jié)果顯示:與MKPCA方法比較,BDKPCA算法的故障檢測(cè)時(shí)間明顯提前,并且檢測(cè)故障時(shí)更靈敏,該算法對(duì)非線性動(dòng)態(tài)過(guò)程表現(xiàn)出優(yōu)越的檢測(cè)能力。
　　 傳統(tǒng)的基于單類支持向量機(jī)(OCSVM)的故障檢測(cè)方法,利用PCA算法提取過(guò)程的線性靜態(tài)特征,然后進(jìn)行分類。對(duì)于非線性動(dòng)態(tài)間歇過(guò)程,上述方法并不適用。本文利用批動(dòng)態(tài)核主元分析方法提取過(guò)程特征,給出一種BDKPCA-OCSVM算法。