基于多元统计的复杂工业过程监测方法研究

论文摘要

现代工业过程自动化控制正朝着大型化、复杂化的方向发展,生产系统和设备一旦发生故障,将造成巨大的经济损失,甚至造成人员伤亡和环境污染。研究和开发集控制、监测和诊断功能于一体的过程监控系统已成为工厂综合自动化发展的迫切需要,具有重要的理论意义和广泛的应用价值。基于多元统计的过程监测方法的研究是过程监控系统中的一个重要研究分支,本论文以多元统计理论为基础,对基于多元统计的过程监测中的若干问题进行了如下的研究：对过程监测的研究方法作了概述,介绍了基于多元统计的过程监测方法的基本数学工具,包括主元分析法、核主元分析法、独立元分析法、核独立元分析法,以及它们在过程监测中的应用。对工业过程中的观测数据变量间的相关关系(线性与非线性)进行分析,针对高斯过程变量,提出采用基于多元线性回归的方法判断变量间的相关关系,并以田纳西过程为背景,建立了基于PCA及KPCA的过程监测模型,对所提出的方法进行了仿真验证；针对非高斯过程变量,提出采用基于独立元分析的方法判断变量间的相关关系,并以青霉素发酵过程为背景,建立了基于ICA及KICA的过程监测模型,对所提出的方法进行了仿真验证。S.W.Choi等人结合数据除噪中基于KPCA的数据重构方法,并借鉴基于PCA的故障识别思路,提出一种基于数据重构的KPCA故障识别方法。本文在此基础上,对S.W.Choi等人提出的故障识别方法进行了改进,并对改进后的方法进行了仿真,仿真结果表明,改进后的故障识别方法既能识别出单变量引起的故障,又能识别出多变量引起的故障,还减少了计算过程中的运算量。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景及意义
• 1.2 过程监测的基本概念与研究方法
• 1.2.1 过程监测的基本概念
• 1.2.2 过程监测的研究方法
• 1.3 基于多元统计的过程监测方法研究现状及发展
• 1.3.1 多元统计过程监测概述
• 1.3.2 基于多元统计的过程监测方法
• 1.4 本文主要的研究内容
• 第2章 多元统计理论基础
• 2.1 主元分析
• 2.2 核主元分析
• 2.3 独立元分析
• 2.3.1 独立元分析算法
• 2.3.2 独立元空间的划分
• 2.4 核独立元分析
• 2.4.1 核独立元分析算法
• 2.4.2 独立元空间的划分
• 2.5 本章小结
• 第3章 变量之间相关关系判定方法的研究
• 3.1 引言
• 3.2 高斯过程变量间相关关系判定方法的研究
• 3.2.1 巴特莱特检验法
• 3.2.2 多元线性回归法
• 3.2.3 仿真验证
• 3.3 非高斯过程变量间相关关系判定方法的研究
• 3.3.1 非高斯变量间相关关系判定方法
• 3.3.2 仿真验证
• 3.4 本章小结
• 第4章 基于PCA及KPCA的过程监测方法及应用
• 4.1 引言
• 4.2 基于PCA的过程监测方法
• 4.2.1 基于PCA的过程监测
• 4.2.2 基于PCA的故障识别
• 4.3 基于KPCA过程监测方法
• 4.3.1 基于KPCA的过程监测
• 4.3.2 一种改进的基于数据重构的KPCA故障识别方法
• 4.4 基于PCA及KPCA的过程监测方法在田纳西过程中的应用
• 4.4.1 田纳西过程简介
• 4.4.2 仿真分析
• 4.5 本章小结
• 第5章 基于ICA及KICA的过程监测方法及应用
• 5.1 引言
• 5.2 基于ICA的过程监测方法
• 5.2.1 基于ICA的过程监测
• 5.2.2 基于ICA的故障识别
• 5.3 基于KICA的过程监测方法
• 5.4 基于ICA及KICA的过程监测方法在青霉素发酵过程中的应用
• 5.4.1 青霉素发酵过程简介
• 5.4.2 间歇过程数据的表达及处理方法
• 5.4.3 仿真分析
• 5.5 本章小结
• 第6章 总结与展望
• 参考文献
• 致谢