隨著信息智能技術(shù)的發(fā)展,化工過程自動(dòng)化程度越來越高。為保證系統(tǒng)安全穩(wěn)定地運(yùn)行,對(duì)過程故障進(jìn)行及時(shí)、準(zhǔn)確和高效的診斷就顯得至關(guān)重要。在過程故障診斷過程中,系統(tǒng)過程機(jī)理模型和專家知識(shí)都難以獲取,而過程數(shù)據(jù)獲取較容易。因此對(duì)基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法進(jìn)行研究具有重要意義。針對(duì)化工過程數(shù)據(jù)所具有的動(dòng)態(tài)時(shí)變性和化工過程變量關(guān)系復(fù)雜,故障根源分析難的問題,本文分別在故障檢測(cè)中提出了自適應(yīng)主多項(xiàng)式(PPA)方法和在故障根源分析中引入貝葉斯網(wǎng)絡(luò)方法對(duì)動(dòng)態(tài)化工過程進(jìn)行了故障診斷研究。本文主要工作和創(chuàng)新如下:針對(duì)化工過程動(dòng)態(tài)時(shí)變性,本文在基于主多項(xiàng)式(PPA)化工故障診斷方法的基礎(chǔ)上,引入滑動(dòng)窗機(jī)制,提出了一種新的自適應(yīng)PPA故障診斷方法。首先,利用檢測(cè)模型對(duì)動(dòng)態(tài)過程進(jìn)行實(shí)時(shí)檢測(cè),若過程正常,則根據(jù)最新過程數(shù)據(jù)更新窗口數(shù)據(jù),從而對(duì)模型更新,然后利用最新模型對(duì)過程實(shí)時(shí)檢測(cè)。最后,將本方法運(yùn)用化工仿真TE過程實(shí)現(xiàn)在線檢測(cè),結(jié)果表明效果更好。針對(duì)化工過程檢測(cè)到故障發(fā)生時(shí)對(duì)故障根源分析難的問題,由于貝葉斯網(wǎng)絡(luò)作為圖論與概率論的結(jié)合體,在處理復(fù)雜、模糊以及不確定性方面具有較強(qiáng)推理能力。因此,本文將貝葉斯網(wǎng)絡(luò)引入化工...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 過程故障診斷概述
        1.2.1 基于機(jī)理模型的方法
        1.2.2 基于定性知識(shí)的方法
        1.2.3 基于數(shù)據(jù)驅(qū)動(dòng)的方法
    1.3 本文主要內(nèi)容
第二章 文獻(xiàn)綜述
    2.1 PCA方法
        2.1.1 PCA算法過程
        2.1.2 統(tǒng)計(jì)量的構(gòu)建
    2.2 故障檢測(cè)方法
        2.2.1 基于PCA的故障檢測(cè)方法
        2.2.2 基于PLS的故障檢測(cè)方法
    2.3 PPA算法
        2.3.1 PPA算法原理
        2.3.2 PPA算法主元個(gè)數(shù)的選取
    2.4 故障根源辨析技術(shù)
    2.5 貝葉斯網(wǎng)絡(luò)概述
        2.5.1 概率論
        2.5.2 圖論
        2.5.3 貝葉斯網(wǎng)絡(luò)定義
    2.6 本章小結(jié)
第三章 基于自適應(yīng)PPA的過程故障檢測(cè)方法及其應(yīng)用
    3.1 基于自適應(yīng)PPA方法的過程故障檢測(cè)
        3.1.1 PPA方法故障檢測(cè)流程
        3.1.2 基于自適應(yīng)PPA方法故障檢測(cè)流程
    3.2 化工仿真TE過程
    3.3 自適應(yīng)PPA過程故障診斷方法在TE過程中的應(yīng)用
    3.4 本章小結(jié)
第四章 基于改進(jìn)蜂群算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)法
    4.1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)
        4.1.1 基于打分搜索方法
    4.2 基于改進(jìn)蜂群算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)法(D-ABC)
        4.2.1 人工蜂群算法
        4.2.2 差分進(jìn)化算法
        4.2.3 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)過程
    4.3 實(shí)驗(yàn)仿真結(jié)果分析
        4.3.1 算法參數(shù)優(yōu)化
        4.3.2 實(shí)驗(yàn)對(duì)比分析
    4.4 本章小結(jié)
第五章 基于貝葉斯網(wǎng)絡(luò)的化工過程故障根源分析
    5.1 貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)
        5.1.1 最大似然估計(jì)參數(shù)學(xué)習(xí)
        5.1.2 貝葉斯估計(jì)參數(shù)學(xué)習(xí)
    5.2 貝葉斯網(wǎng)絡(luò)推理
        5.2.1 貝葉斯網(wǎng)絡(luò)推理基本類型
        5.2.2 貝葉斯網(wǎng)絡(luò)推理算法
    5.3 基于貝葉斯網(wǎng)絡(luò)的TE過程故障根源分析
    5.4 本章小結(jié)
第六章 結(jié)論與展望
    6.1 全文研究?jī)?nèi)容總結(jié)
    6.2 研究展望
致謝
參考文獻(xiàn)
個(gè)人簡(jiǎn)歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及取得的研究成果



本文編號(hào)：3889205