基于NMF-SVM的过程建模与监测方法研究

论文摘要

随着计算机技术在工业过程控制中的广泛应用,大量的过程数据被采集并存储下来,但是这些包含过程运行状态信息的数据并没有被有效地利用,以致出现了所谓的“数据丰富,信息匮乏”的现象。为了充分揭示过程数据中隐藏的系统本质信息,实现对生产过程和产品质量的有效控制,需要借助多变量统计分析技术对数据进行处理,从数据中提取出低维本质成分,并消除冗余信息及误差和噪声。本文以多变量统计过程控制为研究背景,从这些存储的数据中挖掘出过程运行的深层次信息,充分利用这些信息进行过程建模与监测。在过程建模方面,本文利用近几年发展起来的多变量统计分析技术——非负矩阵分解（NMF）以及最小二乘支持向量机（LSSVM）进行回归建模。首先,在利用非负矩阵分解进行过程信息挖掘的基础上建立了非负成分回归（NCR）模型。进一步,把NMF提取的非负成分送给最小二乘支持向量机建立NMF-LSSVM回归模型。这两个模型在对轧钢加热炉出炉钢温建模时表现出了良好的性能。在过程监测方面,本文提出了一种基于非负矩阵分解（NMF）与支持向量机（SVM）对系统性能进行监测的整体框架。主要包括两个方面：①通过NMF进行特征提取,对监测系统进行降维,得到主要特征的统计量。并利用核密度估计方法确定控制限,从而建立起在线监测模型；②利用SVM训练多故障分类器,当NMF在线监测模型检测到故障发生时,通过SVM故障分类器进行故障识别与诊断,确认是哪一类故障。通过对三容水箱系统的仿真实验,证实了该系统框架具有良好的监测性能,可以获得比较理想的故障诊断结果。非负矩阵分解作为一种新的多变量统计投影技术已被应用于模式识别等领域,本文首次将其引入过程建模及监测领域,并结合支持向量机提出了基于NMF-SVM的过程建模及监测方法,在仿真实验中取得了良好的效果,为多变量统计过程控制的研究提供了一种有益的尝试。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 工业过程建模方法概述
• 1.2 工业过程监测方法概述
• 1.3 多变量统计分析方法
• 1.4 本文主要工作
• 第二章 非负矩阵分解原理及算法
• 2.1 非负矩阵分解原理
• 2.2 非负矩阵分解算法
• 2.2.1 NMF目标函数
• 2.2.2 NMF迭代规则
• 2.3 非负矩阵分解算法的改进
• 2.3.1 PCA-NMF
• 2.3.2 动态NMF
• 2.3.3 关于基的个数讨论
• 2.4 本章小结
• 第三章 支持向量机原理及算法
• 3.1 统计学习理论
• 3.1.1 机器学习模型
• 3.1.2 经验风险最小化
• 3.1.3 VC维与结构风险最小化
• 3.2 支持向量机分类
• 3.2.1 最优超平面
• 3.2.2 线性可分
• 3.2.3 线性不可分
• 3.2.4 非线性划分
• 3.3 支持向量机回归
• 3.4 最小二乘支持向量机
• 3.5 本章小结
• 第四章 多变量统计过程建模
• 4.1 基于NMF的回归建模方法
• 4.1.1 非负成分回归建模
• 4.1.2 改进的非负成分回归建模步骤
• 4.2 基于NMF-LSSVM的过程建模方法
• 4.2.1 NMF-LSSVM过程建模
• 4.2.2 NMF-LSSVM的过程建模步骤
• 4.3 仿真实验及结果分析
• 4.3.1 非负成分回归仿真实验
• 4.3.2 NMF-LSSVM回归仿真实验
• 4.3.3 实验结果分析
• 4.4 本章小结
• 第五章 多变量统计过程监测
• 5.1 基于NMF-SVM的过程监测
• 5.2 基于NMF的在线监测模型
• 5.2.1 降维及排序
• 5.2.2 建立监测统计量
• 5.2.3 统计量的控制限—核密度估计
• 5.3 故障诊断方法及其实现
• 5.3.1 基于重构误差的故障识别
• 5.3.2 基于SVM的故障识别与诊断
• 5.4 仿真实验及结果分析
• 5.4.1 NMF-SVM过程监测仿真实验
• 5.4.2 实验结果分析
• 5.5 本章小结
• 第六章 总结与展望
• 参考文献
• 致谢