基于动态主元分析的自适应故障诊断方法研究

论文摘要

在钢铁冶金、石油炼制、化工、电力、热能等高成本费用、高安全等级的工业过程,随着人们对过程的高效性、产品的高质量和自动控制系统的集成化有着越来越高的要求,过程监测、故障检测和诊断等领域在其中起到了十分重要的作用。这些领域一般被称作为故障检测和分离（FDI）或故障检测和诊断（FDD）,也简称为故障诊断。本文从基于数据驱动的故障诊断方法出发,主要研究了动态主元分析（DPCA）算法离线和在线的自适应故障诊断过程,本文的主要工作和贡献如下：（1）阐述了故障诊断的研究现状,并从定性分析和定量分析角度研究了故障诊断方法的分类,其中着重研究了DPCA算法理论及其发展过程。详细总结分析了工业过程数据动态性（数据的自相关性）产生的原因及其影响；（2）研究了多维小波去噪算法和自适应主元分析算法,包括递推主元分析（RPCA）)算法、滑动窗主元分析（MWPCA）算法和指数加权主元分析（EWPCA）算法。（3）提出了一种基于小波去噪和DPCA相结合的故障诊断方法。该方法利用小波去噪算法对构建的动态增广矩阵数据进行处理,提高了动态PCA算法的计算效率。通过分别对田纳西-伊斯曼过程（Tennessee Eastman Process,TEP）的典型故障和轧钢过程的断带故障的仿真研究,验证了提出方法的有效性。（4）结合MWPCA算法,提出了一种基于DPCA的自适应故障诊断方法。该方法引入了递推主元分析（RPCA）算法思想,给出了简化的自相关矩阵的递推公式,将原来需要进行4次秩1更新的步骤简化为了2次秩1更新,可使在线实时速率提高近一倍。加快了动态模型在线实时更新的速率并节约了硬件存储空间。通过对TEP数据的仿真研究,验证了提出算法的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 故障诊断的一些基本问题
• 1.2.1 工业过程故障的含义及其分类
• 1.2.2 工业过程故障的特性分析
• 1.2.3 故障诊断系统结构及性能评价指标
• 1.2.4 故障诊断的发展过程背景
• 1.3 故障诊断的基本思想
• 1.4 本文的主要工作
• 1.5 本章小结
• 第2章 故障诊断方法
• 2.1 定性分析的故障诊断方法
• 2.1.1 专家系统法
• 2.1.2 图论方法
• 2.1.3 基于案例推理和模糊逻辑理论的方法
• 2.1.4 基于灰色理论的故障诊断方法
• 2.2 定量分析的故障诊断方法
• 2.2.1 基于解析模型的方法
• 2.2.2 基于信号的方法
• 2.2.3 基于信息融合的方法
• 2.2.4 基于多智能体的方法
• 2.2.5 基于机器学习的方法
• 2.2.6 基于多元统计的方法
• 2.3 本章小结
• 第3章 自适应动态主元分析算法
• 3.1 数据预处理
• 3.1.1 标准化数据预处理
• 3.1.2 基于多维小波去噪的数据预处理
• 3.2 主元分析（PCA）算法
• 3.3 动态主元分析（DPCA）算法
• 3.3.1 构建增广矩阵
• 3.3.2 重构统计量控制图
• 3.4 自适应主元分析算法
• 3.4.1 递推主元分析（RPCA）算法
• 3.4.2 滑动窗主元分析（MWPCA）算法
• 3.4.3 指数加权主元分析（EWPCA）算法
• 3.5 本文提出的两种故障诊断方法
• 3.5.1 小波和DPCA相结合的故障诊断方法
• 3.5.2 基于DPCA的自适应故障诊断方法
• 3.6 本章小结
• 第4章 仿真实验结果及分析
• 4.1 田纳西-伊斯曼过程（TEP）实例介绍
• 4.1.1 TEP工艺流程
• 4.1.2 TEP变量和过程故障
• 4.2 实际工业过程仿真数据选取
• 4.2.1 工业过程数据动态性产生的原因及影响
• 4.2.2 本文仿真所用轧钢过程断带数据的选取
• 4.3 小波与DPCA相结合的故障诊断方法仿真研究
• 4.3.1 TEP故障1的诊断
• 4.3.2 轧钢过程断带故障
• 4.4 基于DPCA的自适应故障诊断方法仿真研究
• 4.4.1 TEP故障10的检测
• 4.4.2 TEP故障11的检测
• 4.4.3 TEP故障10和11的识别
• 4.5 本章小结
• 第5章 总结与展望
• 5.1 本文总结
• 5.2 工作展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文