【摘要】：隨著工業(yè)過(guò)程生產(chǎn)規(guī)模的不斷擴(kuò)大,系統(tǒng)復(fù)雜性的日益提高,有效的故障診斷方法成為了保證工業(yè)生產(chǎn)安全和提高產(chǎn)品質(zhì)量的關(guān)鍵。基于統(tǒng)計(jì)理論的方法作為故障診斷領(lǐng)域的主要方法之一,已經(jīng)受到了國(guó)內(nèi)外研究人員的廣泛關(guān)注并得到了較快的發(fā)展。該方法具有不需要建立系統(tǒng)精確數(shù)學(xué)模型的優(yōu)勢(shì),主要依賴正常過(guò)程數(shù)據(jù)建立統(tǒng)計(jì)模型,從統(tǒng)計(jì)學(xué)角度對(duì)生產(chǎn)過(guò)程的安全性進(jìn)行描述。然而,由于現(xiàn)代生產(chǎn)過(guò)程的復(fù)雜性與多樣性、傳感器的大量使用以及產(chǎn)品規(guī)格的改變等,會(huì)導(dǎo)致采集和存儲(chǔ)的過(guò)程數(shù)據(jù)具有不同的特性,如非高斯、非線性、多模態(tài)、多階段以及維數(shù)過(guò)高等,這通常會(huì)限制一些傳統(tǒng)方法的使用,導(dǎo)致故障診斷結(jié)果精度不高或產(chǎn)生誤檢測(cè)和誤診斷。因此,針對(duì)不同性質(zhì)的過(guò)程數(shù)據(jù),探索有效的故障檢測(cè)方法并保證檢測(cè)精度是該領(lǐng)域需要解決的重點(diǎn)問(wèn)題。當(dāng)檢測(cè)到過(guò)程中存在異�；蚬收蠒r(shí),及時(shí)識(shí)別和定位故障根源,追溯各種故障發(fā)生時(shí)對(duì)應(yīng)的異常變量即“征兆”,建立精確的“故障-征兆”表并將其作為后續(xù)故障評(píng)價(jià)與決策時(shí)的可用知識(shí)庫(kù),最終實(shí)現(xiàn)工業(yè)過(guò)程的智能化故障診斷是必要的,目前也成為該領(lǐng)域的研究熱點(diǎn)。本文在深入了解生產(chǎn)過(guò)程中的過(guò)程特性、數(shù)據(jù)特性以及傳統(tǒng)的基于統(tǒng)計(jì)理論故障診斷方法的基礎(chǔ)上,分別針對(duì)過(guò)程中不同的數(shù)據(jù)特性研究了一系列故障檢測(cè)方法;并根據(jù)變量推理、k-NN變量貢獻(xiàn)分析等知識(shí)研究了基于分布式主元分析與數(shù)據(jù)重構(gòu)的故障識(shí)別與定位方法,包含故障存在時(shí)異常變量的初步識(shí)別與精確定位。本文的研究?jī)?nèi)容主要有以下幾個(gè)方面:(1)針對(duì)工業(yè)過(guò)程中數(shù)據(jù)的非高斯、非線性特性以及維數(shù)過(guò)高的問(wèn)題,通過(guò)引入了動(dòng)力系統(tǒng)中的擴(kuò)散映射方法對(duì)過(guò)程數(shù)據(jù)進(jìn)行非線性降維,并在擴(kuò)散映射空間的基礎(chǔ)上研究了一種新的基于特征空間k近鄰(k Nearest Neighbor,k-NN)擴(kuò)散距離的故障檢測(cè)方法。首先,通過(guò)分析原始數(shù)據(jù)點(diǎn)之間的內(nèi)在關(guān)系,將正常高維數(shù)據(jù)映射到能夠代表原始數(shù)據(jù)絕大多數(shù)信息的低維擴(kuò)散空間;其次,使用擴(kuò)散距離的近鄰法則尋找每個(gè)低維樣本點(diǎn)在特征空間中的前k個(gè)最近鄰樣本;再次,建立每個(gè)正常樣本的k近鄰距離統(tǒng)計(jì)量,采用適合處理非高斯數(shù)據(jù)的核密度估計(jì)方法計(jì)算正常模型的統(tǒng)計(jì)控制閾值,并對(duì)工業(yè)過(guò)程進(jìn)行故障檢測(cè)。(2)針對(duì)工業(yè)過(guò)程數(shù)據(jù)具有的多模態(tài)特性問(wèn)題,首先研究了一種基于加權(quán)k近鄰標(biāo)準(zhǔn)化(Weighted k Neighbor Standardisation,WKNS)策略的數(shù)據(jù)預(yù)處理方法。不同于傳統(tǒng)的z-score 和局部近鄰標(biāo)準(zhǔn)化(Local Neighborhood Standardisation,LNS)方法,WKNS 方法的原理是對(duì)正常數(shù)據(jù)集中每個(gè)樣本采用加權(quán)k近鄰均值和標(biāo)準(zhǔn)差進(jìn)行標(biāo)準(zhǔn)化處理,其目的是將不同分布條件下的多模態(tài)或多工況數(shù)據(jù)轉(zhuǎn)化為近似服從同一分布或單峰高斯分布的數(shù)據(jù),抹除多模態(tài)數(shù)據(jù)中包含的多種分布特征,同時(shí)也不破壞變量之間的相互關(guān)系。隨后,將WKNS方法與傳統(tǒng)的主元分析(Principal Component Analysis,PCA)方法相結(jié)合,提出了一種新的WKNS-PCA方法對(duì)多模態(tài)過(guò)程進(jìn)行故障檢測(cè);該方法可以避免建模過(guò)程中建立多個(gè)模態(tài)模型,檢測(cè)過(guò)程中判斷新樣本屬于哪一個(gè)模型的情況,同時(shí)也大大提高了故障檢測(cè)精度。(3)針對(duì)過(guò)程中存在故障時(shí)的異常變量初步識(shí)別問(wèn)題,研究了一種基于分布式主元分析(Distributed Principal Component Analysis,DPCA)和變量推理策略的故障診斷方法。在對(duì)工業(yè)過(guò)程檢測(cè)之前,首先使用相關(guān)變量選擇方法判別原始數(shù)據(jù)集中過(guò)程變量的歸屬并進(jìn)行分布式建模;其次,確定每一個(gè)分布式模型的檢測(cè)控制閾值,并對(duì)新的樣本進(jìn)行實(shí)時(shí)監(jiān)測(cè),確定發(fā)生故障的子模型和無(wú)故障子模型;最后,根據(jù)變量推理策略并結(jié)合傳統(tǒng)的變量貢獻(xiàn)圖方法對(duì)過(guò)程中變量是否發(fā)生異常進(jìn)行初步識(shí)別。該方法不僅可以確定過(guò)程中的正常變量,找到導(dǎo)致故障發(fā)生的主要責(zé)任變量,對(duì)于不能確定是否存在異常的變量也給出了初步判斷。(4)針對(duì)過(guò)程中存在故障時(shí)異常變量的精確識(shí)別以及如何準(zhǔn)確建立“故障-征兆”表的問(wèn)題,研究了一種基于k-NN變量貢獻(xiàn)分析和數(shù)據(jù)重構(gòu)的異常變量精確定位方法。首先,該方法將k-NN算法中各個(gè)采樣時(shí)刻的統(tǒng)計(jì)距離指標(biāo)細(xì)化,分解為每個(gè)變量的貢獻(xiàn)并對(duì)其進(jìn)行詳細(xì)分析,分別從單變量和多變量異常角度進(jìn)行了方法的可行性驗(yàn)證,確定過(guò)程故障時(shí)異常變量具有較大的貢獻(xiàn)值;其次,建立正常數(shù)據(jù)中每個(gè)變量的貢獻(xiàn)模型用于對(duì)故障樣本中的異常變量進(jìn)行“一次”識(shí)別;隨后,分別對(duì)四種基于k-NN理論的數(shù)據(jù)重構(gòu)方法進(jìn)行了研究,包括均值k-NN、k-1NN、加權(quán)k-NN和CNN(Center Nearest Neighbor)方法,并從重構(gòu)原理及精度方面進(jìn)行了分析,驗(yàn)證了 CNN方法在數(shù)據(jù)重構(gòu)方面具有一定的優(yōu)勢(shì)。對(duì)于故障樣本,先根據(jù)變量貢獻(xiàn)分析方法求取每個(gè)變量對(duì)距離指標(biāo)的貢獻(xiàn),“一次”識(shí)別出故障發(fā)生時(shí)所對(duì)應(yīng)的異常變量或征兆;進(jìn)而通過(guò)CNN數(shù)據(jù)重構(gòu)方法對(duì)故障樣本中異常變量值進(jìn)行重構(gòu)、檢測(cè)和“二次”識(shí)別,直至辨識(shí)出所有發(fā)生異常的變量;該方法進(jìn)一步保證了辨識(shí)到的異常變量準(zhǔn)確無(wú)誤,并得到故障與變量之間的關(guān)系,即“故障-征兆”表。
【圖文】：

邐１相關(guān)分析逡逑—Ｉ小波變換Ｉ逡逑圖１．２故障診斷方法分類示意圖逡逑Ｆｉｇ邋１．２邋Ｃｌａｓｓｉｆｉｃａｔｉｏｎ邋ｄｉａｇｒａｍ邋ｆｏｒ邋ｆａｕｌｔ邋ｄｉａｇｎｏｓｉｓ邋ａｐｐｒｏａｃｈｅｓ逡逑等價(jià)空間法：基于等價(jià)空間的故障診斷方法主要利用系統(tǒng)的解析數(shù)學(xué)模型建立系逡逑統(tǒng)輸入輸出變量之間存在的可以反映輸出變量之間靜態(tài)的直接冗余和輸入輸出變量之間逡逑動(dòng)態(tài)的解析冗余的等價(jià)數(shù)學(xué)關(guān)系，然后通過(guò)檢驗(yàn)實(shí)際系統(tǒng)的輸入輸出值是否滿足該等價(jià)逡逑關(guān)系，實(shí)現(xiàn)檢測(cè)和識(shí)別故障的目的［１６］。由于該方法在應(yīng)用時(shí)需要較多的冗余信息，過(guò)逡逑程中具有較多的過(guò)程變量（測(cè)量信號(hào)較多），，就會(huì)導(dǎo)致計(jì)算量過(guò)于繁瑣，不利于提取有效逡逑信息。另外，等價(jià)空間法在使用時(shí)若選擇低階的等價(jià)向量意味著在線實(shí)現(xiàn)較為簡(jiǎn)單，但逡逑性能較差；選擇高階的等價(jià)向量雖然性能較好，但需要較大的計(jì)算量，而且容易導(dǎo)致錯(cuò)逡逑誤的診斷結(jié)果［１６］。逡逑基于解析模型的故障診斷方法能夠深入系統(tǒng)本質(zhì)，可以有效量化過(guò)程的動(dòng)態(tài)波逡逑動(dòng)；其缺點(diǎn)是當(dāng)系統(tǒng)模型未知、不準(zhǔn)確或過(guò)程中具有非線性時(shí)

ｍｉｎ邋＋為異常樣本與訓(xùn)練樣本之間的距離統(tǒng)計(jì)量；ｍｉｎ尤為正常樣本與訓(xùn)練樣逡逑本之間的距離統(tǒng)計(jì)量。基于ｋ－ＮＮ規(guī)則的故障檢測(cè)方法通常可分為建模和故障檢測(cè)階逡逑段，如圖２．１所示。逡逑⑴建模階段逡逑１）
【學(xué)位授予單位】：東北大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：F224

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李元;劉亞?wèn)|;張成;;基于擴(kuò)散K近鄰距離的間歇過(guò)程故障診斷[J];控制理論與應(yīng)用;2015年12期

2 王國(guó)柱;劉建昌;李元;商亮亮;;加權(quán)κ最近鄰重構(gòu)分析的工業(yè)過(guò)程故障診斷[J];控制理論與應(yīng)用;2015年07期

3 李元;張新民;;基于非高斯信息的JITL軟測(cè)量模型[J];上海交通大學(xué)學(xué)報(bào);2015年06期

4 李元;吳杰;王國(guó)柱;;k近鄰補(bǔ)值方法在工業(yè)過(guò)程故障診斷中的應(yīng)用[J];上海交通大學(xué)學(xué)報(bào);2015年06期

5 郭小萍;袁杰;李元;;基于特征空間k最近鄰的批次過(guò)程監(jiān)視[J];自動(dòng)化學(xué)報(bào);2014年01期

6 解翔;侍洪波;;一種適用于多模態(tài)過(guò)程監(jiān)控的集成統(tǒng)計(jì)指標(biāo)[J];華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年04期

7 解翔;侍洪波;;多模態(tài)化工過(guò)程的全局監(jiān)控策略[J];化工學(xué)報(bào);2012年07期

8 李晗;蕭德云;;基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述[J];控制與決策;2011年01期

9 柴天佑;;生產(chǎn)制造全流程優(yōu)化控制對(duì)控制與優(yōu)化理論方法的挑戰(zhàn)[J];自動(dòng)化學(xué)報(bào);2009年06期

10 侯忠生;許建新;;數(shù)據(jù)驅(qū)動(dòng)控制理論及方法的回顧和展望[J];自動(dòng)化學(xué)報(bào);2009年06期

本文編號(hào)：2640893