基于KECA方法的过程监测与故障诊断研究

论文摘要

工业过程自动控制系统不断朝着大型化、复杂化方向发展。控制系统一旦发生故障,很难通过单变量监测方法指示出来。若故障继续发展可能造成经济损失,甚至人员伤亡。因此,除了对工业过程实施良好的控制以外,研究过程监测与故障诊断方法同样重要。本文以田纳西—伊斯曼（TE）过程作为研究背景,进行基于数据驱动方法在过程监测与故障诊断领域的研究。论文将从以下几方面展开：（1）在核主元分析（KPCA）理论基础上,引入核熵主元分析（KECA）原理及其空间变换方法,比较了KECA与KPCA的异同,并通过聚类试验进行了分析验证。（2）采用基于KECA和WT-KECA（小波去噪结合KECA）的故障诊断方法。通过引入Epanechnikov核函数参与高维映射过程,大幅降低了故障检出率对核尺寸参数的敏感度,提高了该方法的实际应用价值。（3）定义了核熵主元空间相似度指标,提出一种新的基于核熵主元空间相似度的故障诊断方法,通过相关试验证明该方法具有较好的故障诊断能力。（4）引入一种基于TE过程子系统的联合故障监测方法。该方法结合TE过程知识和系统划分策略,将过程分解为几个独立子系统进行联合故障监测,进一步提高了监测算法对过程故障的敏感性。研究结果表明,KECA有效提高了TE过程故障检出率,同时KECA变量贡献图诊断方法表现出比KPCA更强的故障变量锁定能力。WT-KECA方法进一步提高了故障检出率与故障变量识别率。基于核熵主元空间相似度的故障诊断方法可以完成一些重要故障的模式识别任务,最后提出的基于TE过程子系统联合故障监测方法较前述方法进一步提高了故障检出率,尤其在一些较难检出的故障类型上,仍保持了较高的检测水平。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.2 过程监测与故障诊断概述
• 1.3 基于数据驱动的过程监测及故障诊断方法的应用概述
• 1.3.1 主元分析与核主元分析方法
• 1.3.2 核熵成分分析方法
• 1.4 田纳西—伊斯曼过程
• 1.5 论文主要研究内容
• 第2章 KPCA与KECA理论
• 2.1 主成分分析
• 2.2 核方法
• 2.2.1 常用核函数
• 2.2.2 核函数应用特点
• 2.3 KPCA基本原理
• 2.3.1 KPCA监控统计量
• 2.3.2 KPCA故障识别
• 2.4 KECA相关理论
• 2.4.1 Renyi熵
• 2.4.2 KECA数据变换原理
• 2.5 KECA和KPCA的差异性分析
• 2.6 小结
• 第3章 基于KECA与WT-KECA的故障诊断
• 3.1 TE过程数据的分布分析
• 3.2 KECA故障诊断应用的相关问题
• 3.3 基于KECA的过程监控与故障诊断及仿真
• 3.4 基于核尺寸参数对故障检出率影响的鲁棒性分析
• 3.5 基于小波去噪的KECA方法
• 3.5.1 小波去噪原理
• 3.5.2 小波去噪的实现
• 3.5.3 仿真研究
• 3.6 小结
• 第4章 基于核熵主元空间相似度的故障诊断
• 4.1 KECA核熵主元空间
• 4.2 KECA核熵主元空间相似度
• 4.3 基于核熵主元空间相似度的故障诊断及仿真
• 4.4 本章小结
• 第5章 基于子系统的KECA联合故障监测研究
• 5.1 基于FPBS的系统划分策略
• 5.2 基于KECA的TE过程子系统联合故障监测
• 5.3 仿真试验
• 5.4 基于子系统的KECA联合故障监测方法的优势分析
• 5.5 小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 附录