基于核主元分析及扩展方法的过程监测

论文摘要

对生产过程进行监控的目的在于及时有效发现生产过程的非正常情况、保证生产安全、提高产品质量的一致性和降低生产成本。适用于多变量工业过程监控的多元统计过程控制（MSPC）方法被认为是对异常工况进行检测和诊断的行之有效的方法。在这些方法中,主元分析（PCA）由于简单可行得到了广泛应用。然而,由于很多工业过程具有非线性,这样就限制了主元分析（PCA）的应用。自1998年Scholkopf在主元分析（PCA）的基础上提出核主元分析（KPCA）方法,并证明了其故障检测能力优于主元分析（PCA）,基于核的多元统计方法取得了迅速的发展。近年来,许多基于核主元分析（KPCA）基础上的改进方法被提出来,这些算法不仅扩大了核主元分析KPCA在工业过程的控制应用范围,而其提高了在线监测的准确性。本文在前人工作的基础上,开展了关于核主元分析方法的研究,主要研究工作如下：1.尽管核主元分析（KPCA）在很多实际的工业过程得到成功的应用,但是测量数据除了具有非线性外,还可能具有异常点和多尺度的特性。针对核主元分析的单一尺度特点和它在处理含有异常点测量数据缺点。本文将滑动中值滤波技术和核主元分析引入到多尺度主元分析（MSPCA）,提出一种基于滑动中值滤波的多尺度核主元分析方法（SMF-MSKPCA）,首先利用滑动中值滤波的优点,对测量数据进行预处理来去除数据中的异常点,进而减少误报警。再利用小波变换分析数据的多尺度性,并将此方法运用于实际的故障检测中,这样既提高了对数据中细微、重要变化的检测灵敏度,又解决了在测量数据中含有异常点的情况下,现有多尺度主元分析难以去除因异常点的存在而产生的虚警问题。利用此方法进行的过程监控的仿真结果表明,该方法不仅能大大降低误报警,还提高了故障检测的准确性。2.针对测量数据可能既存在多尺度特性又存在时序上的相关性,于是提出将动态核主元分析（DKPCA）引入到多尺度核主元分析方法（SMF-MSKPCA）算法中,提出了一种基于滑动中值滤波的多尺度动态核主元分析方法（SMF-MSDKPCA）的过程统计性能监控方法。将此方法运用于动态非线性和田纳西过程故障检测中,取得了较好的检测结果,证明了该方法的有效性和可行性。在全文研究工作的基础上,提出了有待进一步研究的问题和今后研究工作的重点

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 故障监控技术简介
• 1.2.1 故障的定义
• 1.2.2 故障检测的分类
• 1.2.3 过程监控的一般步骤
• 1.3 工业过程监控方法分类
• 1.4 监控技术的研究现状
• 1.4.1 多变量统计过程控制技术
• 1.4.2 基于核主元分析的过程监控技术
• 1.5 本文研究内容和组织结构
• 第2章 相关基础知识
• 2.1 小波分理论基础
• 2.1.1 小波分析的产生
• 2.1.2 小波变换
• 2.1.3 小波变换的多尺度分析理论
• 2.1.4 小波消噪原理
• 2.2 主元分析（PCA）
• 2.2.1 数据的标准化处理
• 2.2.2 主元分析算法
• 2.2.3 主成分个数的选取
• 2.2.4 基于主元分析的过程监控
• 2.3 MSPCA算法介绍
• 2.4 本章小结
• 第3章 基于SMF-MSKPCA的过程监控方法
• 3.1 滑动中值滤波
• 3.1.1 工作原理
• 3.1.2 滑动中值滤波算法
• 3.2 核主元分析（KPCA）
• 3.2.1 核主元分析算法
• 3.2.2 基于KPCA的过程监控
• 3.3 基于SMF-MSKPCA过程监控算法
• 3.4 基于SMF-MSKPCA仿真研究
• 3.4.1 非线性数学模型应用仿真
• 3.4.2 田纳西过程的应用仿真
• 3.4.3 青霉素发酵过程的应用仿真
• 3.5 本章小结
• 第4章 基于SMF-MSDKPCA的过程监控方法
• 4.1 动态核主元分析（DKPCA）算法
• 4.1.1 DKPCA基本原理介绍
• 4.1.2 DKPCA监控流程
• 4.2 SMF-MSDKPCA监控算法
• 4.3 仿真研究
• 4.3.1 动态非线性模型的应用仿真
• 4.3.2 田纳西过程的应用仿真
• 4.4 本章小结
• 第5章 总结与展望
• 5.1 研究工作总结
• 5.2 研究展望
• 参考文献
• 致谢
• 攻读硕士期间的主要工作