【摘要】：隨著生產(chǎn)技術(shù)的不斷革新和系統(tǒng)規(guī)模的逐漸擴(kuò)大,工業(yè)系統(tǒng)的內(nèi)部結(jié)構(gòu)也越來越復(fù)雜,運(yùn)行過程中的任何異常都有可能帶來難以預(yù)估的安全隱患和財(cái)產(chǎn)損失。隨著工業(yè)4.0時(shí)代的來臨,生產(chǎn)系統(tǒng)的各個(gè)環(huán)節(jié)都將信息數(shù)據(jù)化和高效智能化,如何有效地利用與系統(tǒng)相關(guān)的數(shù)據(jù)信息,對故障做出快速準(zhǔn)確的檢測是本文的研究重點(diǎn)。目前,傳統(tǒng)的過程監(jiān)控和故障診斷方法存在著諸多的限制:實(shí)際系統(tǒng)過程中的數(shù)據(jù)難以達(dá)到理想的分布狀態(tài),生產(chǎn)設(shè)備狀態(tài)難以保持恒定,還有其他復(fù)雜因素的影響如物理環(huán)境變量、傳感器測量誤差等。結(jié)合上述研究背景和需求,本文在對各種故障檢測與診斷方法進(jìn)行調(diào)研后,主要圍繞基于自編碼器的故障檢測算法展開研究,并對已有算法進(jìn)行改進(jìn),引入了正交性限制和降噪措施,提出了改進(jìn)的自編碼器算法,并在該算法的基礎(chǔ)上進(jìn)行故障檢測和診斷。本文以化工過程Tennessee Eastman仿真平臺為實(shí)驗(yàn)背景,對提出的故障檢測與診斷方法進(jìn)行驗(yàn)證。本文的具體工作有:1)提出基于降噪正交自編碼器的故障檢測算法大型系統(tǒng)的故障診斷是一個(gè)非常復(fù)雜的任務(wù),由于傳統(tǒng)的故障診斷方法存在許多限制,只通過傳統(tǒng)的故障檢測與診斷方法的檢測效果是非常有限的。針對數(shù)據(jù)本身存在的冗余和噪聲,本文在自編碼器的基礎(chǔ)上引入正交性以及降噪措施,提出基于降噪正交自編碼器的故障檢測算法(Denoising Orthogonal Auto-Encoder,DQAE)來克服自編碼器算法的缺點(diǎn)并且提升對關(guān)鍵特征的提取和學(xué)習(xí)能力。在Tennessee Eastman過程仿真實(shí)驗(yàn)中運(yùn)用該算法進(jìn)行故障檢測,實(shí)驗(yàn)結(jié)果與傳統(tǒng)的故障檢測方法相比,有更低的誤報(bào)率和漏檢率,驗(yàn)證了該方法的有效性和優(yōu)越性。2)提出基于多故障降噪正交自編碼器的故障診斷算法隨著系統(tǒng)的復(fù)雜化與大型化演變,不僅其故障帶來的后果非常嚴(yán)重,對于故障的維修難度以及成本也非常高。實(shí)時(shí)在線的故障診斷功能對系統(tǒng)越來越重要,同時(shí)對故障檢測與診斷的準(zhǔn)確性和快速性的要求也越來越高。本文針對故障診斷問題,提出以DQAE算法作為特征提取子模型,針對每個(gè)故障種類訓(xùn)練并融合成多故障降噪正交自編碼器的故障診斷算法(Multi-fault Denoising Orthogonal Auto-Encoder,MDQAE)。通過對模型輸出的統(tǒng)計(jì)量及其閾值進(jìn)行歸一化,將測試數(shù)據(jù)統(tǒng)計(jì)量與閾值進(jìn)行比較判定故障種類,從而提升故障診斷的可信度與準(zhǔn)確度。實(shí)驗(yàn)結(jié)果證明,該方案對大部分故障都有較低的誤報(bào)率和漏檢率,同時(shí)降低了其實(shí)現(xiàn)的復(fù)雜度,運(yùn)行時(shí)間較短,為在線進(jìn)行故障診斷提供了可能性,易于在工程中的應(yīng)用與普及。
【圖文】：

1 研究背景及意義伴隨著工業(yè) 4.0 時(shí)代的來臨，為了能夠滿足快速更新迭代的需求，現(xiàn)代工系統(tǒng)的各個(gè)環(huán)節(jié)都將進(jìn)行信息數(shù)據(jù)化和高效智能化的轉(zhuǎn)變，，建立具有高度、個(gè)性化與靈活性的生態(tài)模式。與此同時(shí)，現(xiàn)代工業(yè)的制造流程越來越復(fù)密，運(yùn)行過程中的任何異常都可能引發(fā)故障，造成無法估計(jì)的損失。近年來越多的生產(chǎn)環(huán)節(jié)由機(jī)械取代人力，形成自動化生產(chǎn)流程。雖然生產(chǎn)率得并且人力成本下降，但由于缺少人工的操作和監(jiān)控，如果系統(tǒng)無法自動對行檢測，無法及時(shí)察覺系統(tǒng)故障并采取有效的解決措施，可能會引起嚴(yán)重和損失。由于工藝流程的工況環(huán)境多為高溫高壓，化工用品通常具有易燃易爆的屬此，化工行業(yè)中的重大事故尤為觸目驚心。2017 年 10 月，美國 TennesseeEas學(xué)總部發(fā)生大型爆炸，經(jīng)事故調(diào)查得知，事故起因是由于過量的硫化氫被空氣中從而引發(fā)了大規(guī)模的爆炸。圖 1-1 中即為事故發(fā)生當(dāng)時(shí)現(xiàn)場的狀況。

上海交通大學(xué)碩士學(xué)位論文能力來提高自身的安全性和可維護(hù)性。近年來，越來越多的學(xué)者投身于故障檢測與診斷理論與應(yīng)用領(lǐng)域的研究。20 世紀(jì)中期，美國麻省理工學(xué)院 Beard 教授提出了一種故障的診斷方法：通過將硬件冗余用解析冗余取代，使系統(tǒng)自組織閉環(huán)穩(wěn)定，比較觀測器的輸出來獲取與故障有關(guān)的信息，標(biāo)志著故障檢測與診斷相關(guān)研究的開端�？茖W(xué)技術(shù)的進(jìn)步大大促進(jìn)了生產(chǎn)系統(tǒng)的發(fā)展，如風(fēng)力渦輪機(jī)、飛機(jī)、高速列車和機(jī)床等。圖 1-2 中給出了一些常見的故障診斷系統(tǒng)對象。機(jī)械設(shè)備的關(guān)鍵部件，由于重載、高溫、高速等復(fù)雜而惡劣的條件，不可避免地會產(chǎn)生不同程度的不同故障。傳統(tǒng)的故障檢測通常是基于系統(tǒng)模型的方法，面臨復(fù)雜系統(tǒng)和環(huán)境時(shí)有很多限制。一方面，在實(shí)際環(huán)境中的物理環(huán)境變量、生產(chǎn)設(shè)備狀態(tài)、傳感器測量誤差等多種因素的共同影響下，復(fù)雜的控制系統(tǒng)難以通過對其建立精準(zhǔn)的物理模型進(jìn)行監(jiān)控。另一方面，隨著物聯(lián)網(wǎng)技術(shù)的日漸成熟，生產(chǎn)系統(tǒng)的實(shí)時(shí)狀態(tài)以及工況數(shù)據(jù)(如硬件狀態(tài)參數(shù)、負(fù)載和作業(yè)環(huán)境等)得以自動被采集和保存。
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP212;TP277;TN762

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蔣維;;基于灰色粗糙集理論的風(fēng)電機(jī)組傳動鏈智能故障診斷方法[J];電網(wǎng)與清潔能源;2012年12期

2 李娟;周東華;司小勝;陳茂銀;徐春紅;;微小故障診斷方法綜述[J];控制理論與應(yīng)用;2012年12期

3 郭瑩;;數(shù)據(jù)空間關(guān)鍵問題探究[J];軟件導(dǎo)刊;2012年07期

4 齊詠生;王普;高學(xué)金;;基于核主元分析-主元分析的的多多階段間歇過程故障監(jiān)測與診斷[J];控制理論與應(yīng)用;2012年06期

5 李申林;張殷疆;張信明;;模糊理論在油料裝備故障智能診斷中的應(yīng)用[J];中國儲運(yùn);2011年07期

6 陳秀英;;基于自學(xué)習(xí)機(jī)制的網(wǎng)絡(luò)故障診斷專家系統(tǒng)研究[J];指揮信息系統(tǒng)與技術(shù);2011年01期

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

8 趙春暉;王福利;姚遠(yuǎn);高福榮;;基于時(shí)段的間歇過程統(tǒng)計(jì)建模、在線監(jiān)測及質(zhì)量預(yù)報(bào)[J];自動化學(xué)報(bào);2010年03期

9 周東華;胡艷艷;;動態(tài)系統(tǒng)的故障診斷技術(shù)[J];自動化學(xué)報(bào);2009年06期

10 詹玉龍;翟海龍;曾廣芳;;基于支持向量機(jī)的船舶柴油機(jī)故障診斷的研究[J];中國航海;2007年02期

相關(guān)博士學(xué)位論文 前2條

1 王書舟;支持向量機(jī)方法及其應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2009年

2 王剛;基于最大非高斯估計(jì)的獨(dú)立分量分析理論研究[D];國防科學(xué)技術(shù)大學(xué);2005年

相關(guān)碩士學(xué)位論文 前1條

1 王海穎;多源數(shù)據(jù)關(guān)聯(lián)與融合算法研究[D];江南大學(xué);2016年

本文編號：2625828