發(fā)布時間：2018-04-13 21:44

  本文選題：故障診斷 + 規(guī)范變量分析��； 參考：《蘭州理工大學(xué)》2015年碩士論文

【摘要】：隨著科技的不斷發(fā)展,化工過程趨于復(fù)雜化。研究化工過程的故障診斷算法對保證安全生產(chǎn)、避免生產(chǎn)設(shè)備損毀、提高產(chǎn)品質(zhì)量發(fā)揮了關(guān)鍵性作用。國內(nèi)外學(xué)者在故障診斷領(lǐng)域研究改進(jìn)了眾多算法以求達(dá)到快速準(zhǔn)確的故障診斷效果。實際的化工過程一般具有復(fù)雜性高、規(guī)模龐大的特點,化工過程通常都會采集到豐富的過程變量數(shù)據(jù),而基于數(shù)據(jù)驅(qū)動的故障診斷算法直接從化工過程中采集到的數(shù)據(jù)入手,對數(shù)據(jù)進(jìn)行分析,實現(xiàn)對過程的故障診斷,因此深入研究基于數(shù)據(jù)驅(qū)動的故障診斷算法,不僅具有重要的理論意義,在實際生產(chǎn)中也具有廣闊的應(yīng)用前景。本文主要對規(guī)范變量分析(CVA)算法進(jìn)行研究,并對該算法在故障診斷應(yīng)用中存在的問題做進(jìn)一步改進(jìn),主要做了以下幾個方面的工作:1.針對規(guī)范變量分析(CVA)算法不能較好地處理化工過程高維數(shù)據(jù)的降維問題,提出了一種基于等距映射(ISOMAP)的化工過程故障診斷CVA算法,該算法首先采用流形學(xué)習(xí)中的ISOMAP算法,完成對初始數(shù)據(jù)的非線性降維,同時保持了數(shù)據(jù)內(nèi)部的幾何結(jié)構(gòu),然后基于從高維數(shù)據(jù)中提取出來的低維數(shù)據(jù),利用規(guī)范變量分析(CVA)得出過程狀態(tài)向量和監(jiān)控統(tǒng)計量,通過TE過程仿真驗證了該算法用于化工過程故障診斷的合理性。2.針對過程數(shù)據(jù)通常具有時變性,規(guī)范變量分析(CVA)在動態(tài)過程系統(tǒng)的故障診斷中不能得到較好的故障診斷準(zhǔn)確率,提出了一種基于滑動窗的規(guī)范變量分析(MWCVA)算法,該算法首先建立初始的CVA模型和計算監(jiān)控統(tǒng)計量,通過滑動窗更新過程變量數(shù)據(jù),計算更新建模所需數(shù)據(jù),不斷實時的更新出新樣本的CVA模型和監(jiān)控統(tǒng)計量,通過TE過程仿真驗證了該算法的優(yōu)越性。3.針對化工過程中,往往生產(chǎn)多種產(chǎn)品,使得過程存在多個操作模態(tài),傳統(tǒng)的單模態(tài)故障診斷算法在用于診斷多模態(tài)化工過程時不再適用。因此,針對多模態(tài)化工過程中多高斯分布的采樣數(shù)據(jù),本文提出了一種基于高斯混合模型的核規(guī)范變量分析算法。首先采用高斯混合模型(GMM)將化工過程中的采樣歷史數(shù)據(jù)分類成多個高斯分量,然后利用核規(guī)范變量分析(KCVA)算法對每個高斯分量建模,計算其相應(yīng)的統(tǒng)計量進(jìn)行過程故障診斷,通過TE過程仿真驗證了該算法的適用性。
[Abstract]:With the development of science and technology, the chemical process tends to be complicated.The research on the fault diagnosis algorithm of chemical process plays a key role in ensuring the safety of production, avoiding the damage of production equipment and improving the product quality.Scholars at home and abroad have improved many algorithms in the field of fault diagnosis in order to achieve rapid and accurate fault diagnosis results.The actual chemical process generally has the characteristics of high complexity and large scale. The chemical process usually collects abundant process variable data, and the data-driven fault diagnosis algorithm starts directly from the data collected in the chemical process.To analyze the data and realize the fault diagnosis of the process, it is not only of great theoretical significance to study the data-driven fault diagnosis algorithm, but also has a broad application prospect in practical production.In this paper, the canonical variable analysis (CVA) algorithm is studied, and the existing problems in fault diagnosis are further improved. The following work is mainly done: 1.In view of the fact that the canonical variable analysis (CVA) algorithm can not deal with the dimensionality reduction problem of high dimensional data in chemical process, a novel CVA algorithm for chemical process fault diagnosis based on isometric mapping is proposed. The ISOMAP algorithm of manifold learning is used in this algorithm.The nonlinear dimensionality reduction of the initial data is completed, while the geometric structure of the data is maintained. Based on the low-dimensional data extracted from the high-dimensional data, the process state vector and the monitoring statistics are obtained by using the canonical variable analysis (CVA).The rationality of this algorithm in chemical process fault diagnosis is verified by te process simulation.In view of the fact that the process data is usually time-varying, the canonical variable analysis (CVA) can not get better accuracy in the fault diagnosis of dynamic process system, a new method based on sliding window (Slide window) for canonical variable analysis (CVA) is proposed.The algorithm firstly establishes the initial CVA model and calculates the monitoring statistics. The process variable data is updated by sliding window and the data needed to update the modeling is calculated. The CVA model and monitoring statistics of the new samples are constantly updated in real time.The superiority of the algorithm is verified by te process simulation.In chemical process, many kinds of products are often produced, so there are many operating modes in the process. The traditional single-mode fault diagnosis algorithm is no longer suitable for the diagnosis of multi-modal chemical process.Therefore, in view of the sampling data of multi- distribution in multi-modal chemical process, this paper presents a new kernel canonical variable analysis algorithm based on Gao Si mixed model.Firstly, Gao Si mixed model (GMMM) was used to classify the sampled historical data in chemical process into several Gao Si components, and then the KCVA algorithm was used to model each Gao Si component and calculate the corresponding statistics for process fault diagnosis.The applicability of the algorithm is verified by te process simulation.
【學(xué)位授予單位】：蘭州理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TQ050.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 常凌飛;劉有智;;化工過程強(qiáng)化的研究進(jìn)展[J];化工中間體;2010年08期

2 徐輝;陳華;;間歇化工過程的設(shè)計與優(yōu)化分析[J];化工管理;2012年S1期

3 陸震維;化工過程開發(fā)(Ⅰ) 第一篇 化工過程開發(fā)概論(一)[J];合成橡膠工業(yè);1979年06期

4 陸震維;化工過程開發(fā)(Ⅳ)——第一篇 化工過程開發(fā)概論(四)[J];合成橡膠工業(yè);1980年03期

5 田振增;;關(guān)于化工過程中反應(yīng)熱計算的探討[J];化工設(shè)計通訊;1980年03期

6 陳敏恒;陸仁杰;;化工過程開發(fā)中的實驗研究方法[J];石油化工;1981年09期

7 高渭彪;;化工過程控制的發(fā)展動向[摘要][J];廣州化工;1983年04期

8 蘇健民;;化工過程工程[J];蘭化科技;1984年03期

9 章學(xué)欽;;化工過程的分析和合成在節(jié)能中的作用(上)[J];上�；�;1985年06期

10 章學(xué)欽;;化工過程的分析和合成在節(jié)能中的作用(下)[J];上�；�;1986年02期

相關(guān)會議論文 前10條

1 陳丙珍;;化工系統(tǒng)工程與化工過程安全[A];第三屆全國化學(xué)工程與生物化工年會邀請報告[C];2006年

2 孔令啟;李玉剛;程華農(nóng);畢榮山;;加工時間不確定的間歇化工過程隨機(jī)調(diào)度研究[A];2009中國過程系統(tǒng)工程年會暨中國mes年會論文集[C];2009年

3 錢宇;黃啟明;李秀喜;江燕斌;蔣艷榮;宋光均;;化工過程集成型智能故障診斷系統(tǒng)[A];過程系統(tǒng)工程2001年會論文集[C];2001年

4 李秀喜;錢宇;;化工過程安全運行技術(shù)研究進(jìn)展[A];第十屆全國信息技術(shù)化工應(yīng)用年會論文集[C];2005年

5 黃穎;趙捧;蔣慰孫;潘日芳;;一種非線性化工過程數(shù)據(jù)校核處理的新方法[A];1997中國控制與決策學(xué)術(shù)年會論文集[C];1997年

6 戴一陽;趙勁松;陳丙珍;;化工過程混合故障診斷系統(tǒng)的應(yīng)用研究[A];2009中國過程系統(tǒng)工程年會暨中國mes年會論文集[C];2009年

7 石峰;;化工過程強(qiáng)化條件下交替層狀自組裝的研究[A];中國化學(xué)會第28屆學(xué)術(shù)年會第15分會場摘要集[C];2012年

8 李秀喜;楊國軍;熊海霞;;基于GEP的化工過程故障診斷知識抽取[A];2009中國過程系統(tǒng)工程年會暨中國mes年會論文集[C];2009年

9 趙磊;黃道;;基于蟻群算法的化工過程故障診斷[A];2006北京地區(qū)高校研究生學(xué)術(shù)交流會——通信與信息技術(shù)會議論文集（下）[C];2006年

10 任芊;;化工過程多元組分在線組合測量系統(tǒng)[A];面向21世紀(jì)的科技進(jìn)步與社會經(jīng)濟(jì)發(fā)展（下冊）[C];1999年

相關(guān)重要報紙文章 前8條

1 記者 李東周 楊揚;化工過程節(jié)能平添利器[N];中國化工報;2014年

2 本報記者 王曉濤;過程強(qiáng)化讓化工告別“三高”[N];中國經(jīng)濟(jì)導(dǎo)報;2005年

3 呼躍軍;化工過程強(qiáng)化從多層次創(chuàng)新[N];中國化工報;2008年

4 本報記者 陶婷婷;化工過程環(huán)境的綠色“守護(hù)者”[N];上�？萍紙�;2013年

5 費維揚;化工過程強(qiáng)化呈現(xiàn)新特點[N];中國化工報;2002年

6 特約記者 鄭偉;多項化工過程強(qiáng)化技術(shù)獲應(yīng)用[N];中國化工報;2008年

7 本報記者 張曄　通訊員 陶然;工程師的搖籃該怎樣培養(yǎng)工程師？[N];科技日報;2009年

8 記者 晏燕;自然基金800萬資助重大項目[N];科技日報;2003年

相關(guān)博士學(xué)位論文 前9條

1 佟淑嬌;典型化工過程安全控制模式研究[D];東北大學(xué);2013年

2 王峰;化工過程非正常工況自愈調(diào)控理論及工程應(yīng)用研究[D];北京化工大學(xué);2009年

3 黃衛(wèi)清;含不確定參數(shù)的化工過程系統(tǒng)的操作調(diào)控與動態(tài)柔性分析[D];華南理工大學(xué);2011年

4 孔令啟;基于內(nèi)外圈協(xié)同優(yōu)化策略的間歇化工過程不確定性調(diào)度研究[D];華南理工大學(xué);2010年

5 李秀喜;基于GEP的過程監(jiān)測和化工過程安全運行智能輔助系統(tǒng)研究與開發(fā)[D];華南理工大學(xué);2009年

6 孫力;基于模糊理論的化工過程多目標(biāo)優(yōu)化集成研究[D];大連理工大學(xué);2004年

7 鄭嬈;復(fù)雜化工過程的調(diào)控流圖建模方法及故障診斷技術(shù)研究[D];北京化工大學(xué);2010年

8 劉闖;若干化工過程的復(fù)雜性研究[D];華東理工大學(xué);2012年

9 許亮;基于核函數(shù)和知識的化工過程安全運行智能支持系統(tǒng)研究[D];華南理工大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 曲彥光;基于動態(tài)不確定因果圖的化工過程動態(tài)故障診斷及狀態(tài)預(yù)測[D];北京化工大學(xué);2015年

2 劉蘭英;化工過程安全運行信息物理融合系統(tǒng)模型[D];廣東工業(yè)大學(xué);2016年

3 朱其斯;基于回聲狀態(tài)網(wǎng)絡(luò)的化工過程故障診斷方法研究[D];重慶大學(xué);2016年

4 張瀟瀟;基于規(guī)范變量分析的化工過程故障診斷方法研究[D];蘭州理工大學(xué);2015年

5 范超;化工過程系統(tǒng)分隔與切斷排序方法研究[D];北京化工大學(xué);2016年

6 李慧玲;基于列隊競爭算法的混合算法研究及其在化工過程系統(tǒng)中的應(yīng)用[D];武漢理工大學(xué);2007年

7 王慧;定性趨勢分析及其在化工過程中的應(yīng)用[D];華南理工大學(xué);2011年

8 錢君秀;基于獨立分量分析的化工過程故障診斷研究[D];蘭州理工大學(xué);2012年

9 呂成;基于報警數(shù)據(jù)庫的化工過程風(fēng)險動態(tài)分析方法[D];華東理工大學(xué);2015年

10 王振恒;化工過程開車過程故障診斷方法研究[D];北京化工大學(xué);2009年

，

本文編號：1746316