本文關(guān)鍵詞：基于高維時間序列分析的多模態(tài)工業(yè)過程監(jiān)測方法研究

  更多相關(guān)文章： 多模態(tài)過程 模態(tài)聚類 小波變換 核主元分析 在線監(jiān)測

【摘要】：以發(fā)酵過程為代表的多模態(tài)工業(yè)過程是現(xiàn)代生物工業(yè)的主要生產(chǎn)方式之一,多模態(tài)工業(yè)過程的動態(tài)特性、時效性、非線性、批次間差異性和多操作階段性等都給其監(jiān)測帶來了困難,研究有效的監(jiān)測方法對改善發(fā)酵生產(chǎn)過程的品質(zhì)具有重要價值�，F(xiàn)有基于多變量統(tǒng)計分析的監(jiān)測方法中,沒有考慮非平穩(wěn)的控制輸入對監(jiān)測結(jié)果的影響,導(dǎo)致誤報率增加。本課題針對控制輸入對間歇過程階段劃分及其監(jiān)測的影響,將小波變換(Wavelet Transformation, WT)、核主元分析(Kernal Principle Component Analysis, KPCA).以及模糊C均值(Fuzzy C-Means, FCM)聚類等方法有機相結(jié)合,提出了一種新的用于間歇過程階段劃分方法,并將之應(yīng)用于間歇過程的分段監(jiān)測,能夠避免控制輸入突變對監(jiān)測的影響,提高了監(jiān)測結(jié)果的可靠性。本文在基于PCA的間歇過程模態(tài)聚類方法的基礎(chǔ)上,研究了基于WT-KPCA和FCM的間歇過程模態(tài)聚類方法,該方法利用系統(tǒng)瞬時脈沖響應(yīng)函數(shù)代替觀測序列進(jìn)行階段劃分,與傳統(tǒng)基于PCA的階段劃分方法相比,WT-KPCA方法依據(jù)系統(tǒng)的瞬時動態(tài)特性進(jìn)行階段劃分,能夠避免控制輸入數(shù)據(jù)的不連續(xù)突變對分段結(jié)果的影響；研究了依據(jù)分段結(jié)果的間歇過程子階段建模,并研究了階段模型的融合方法,提出了一種聯(lián)合加權(quán)支持向量機(Jointed Weighted Support Vector Machine, JW-SVM)建模方法,考慮了間歇過程整體對過渡過程的影響,能夠有效提升模型精度；在線監(jiān)測時,利用容積式Kalman濾波(Cubature Kalman Filtering, CKF)方法對在線數(shù)據(jù)進(jìn)行模型預(yù)測,基于WT-KPCA計算監(jiān)測指標(biāo)值完成故障監(jiān)測；最后,通過Pensim仿真平臺對上述方法進(jìn)行實驗研究,從仿真數(shù)據(jù)的處理結(jié)果可以驗證,基于WT-KPCA和FCM的間歇過程模態(tài)聚類方法、以及JW-SVM建模方法的有效性,在線監(jiān)測方法能夠有效的監(jiān)測發(fā)酵過程故障。
【關(guān)鍵詞】：多模態(tài)過程 模態(tài)聚類 小波變換 核主元分析 在線監(jiān)測
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：O211.61
【目錄】：

• 摘要4-6
• Abstract6-14
• 第一章 緒論14-24
• 1.1 引言14
• 1.2 多模態(tài)工業(yè)過程的監(jiān)測方法研究現(xiàn)狀14-18
• 1.2.1 工業(yè)過程的統(tǒng)計監(jiān)測方法16-17
• 1.2.2 多模態(tài)工業(yè)過程的監(jiān)測方法17-18
• 1.3 基于小波和PCA的動態(tài)過程監(jiān)測方法研究現(xiàn)狀18-21
• 1.3.1 基于小波的動態(tài)過程監(jiān)測方法18-20
• 1.3.2 基于小波和PCA的動態(tài)過程監(jiān)測方法20-21
• 1.4 課題的研究意義和主要研究內(nèi)容21-24
• 1.4.1 課題的研究意義21
• 1.4.2 課題的主要研究內(nèi)容21-24
• 第二章 基于WT-KPCA的間歇過程模態(tài)聚類24-38
• 2.1 引言24
• 2.2 基于觀測變量的間歇過程模態(tài)聚類24-28
• 2.2.1 觀測變量的多向主元分析24-26
• 2.2.2 基于MPCA的間歇過程模態(tài)聚類26-28
• 2.3 基于瞬時脈沖響應(yīng)估計的間歇過程模態(tài)聚類28-34
• 2.3.1 基于小波變換的瞬時脈沖響應(yīng)估計28-32
• 2.3.2 基于WT-PCA的間歇過程模態(tài)聚類32-34
• 2.4 基于WT-KPCA的間歇過程模態(tài)聚類34-37
• 2.4.1 KPCA方法34-36
• 2.4.2 基于WT-KPCA的間歇過程模態(tài)聚類36-37
• 2.5 本章小結(jié)37-38
• 第三章 基于WT-KPCA的間歇過程在線監(jiān)測方法38-54
• 3.1 引言38
• 3.2 基于SVM間歇過程分段建模方法38-45
• 3.2.1 統(tǒng)計學(xué)習(xí)理論38-39
• 3.2.2 分段建模融合方法39-43
• 3.2.3 基于FCM的聯(lián)合加權(quán)SVM建模算法43-45
• 3.3 基于CKF方法的在線數(shù)據(jù)處理方法45-49
• 3.3.1 基于CKF的在線數(shù)據(jù)處理方法45-49
• 3.4 基于WT-KPCA的間歇過程在線監(jiān)測49-52
• 3.4.1 基于WT-KPCA的間歇過程監(jiān)測指標(biāo)49-51
• 3.4.2 基于WT-KPCA的間歇過程在線監(jiān)測51-52
• 3.5 小結(jié)52-54
• 第四章 實驗與分析54-70
• 4.1 引言54
• 4.2 青霉素發(fā)酵過程仿真平臺54-55
• 4.2.1 青霉素發(fā)酵過程及仿真平臺54-55
• 4.2.2 實驗過程及分析指標(biāo)55
• 4.3 基于WT-KPCA的間歇過程分段建模55-66
• 4.3.1 DWT-KPCA分段實驗56-64
• 4.3.2 聯(lián)合加權(quán)SVM實驗64-65
• 4.3.3 實驗結(jié)果與分析65-66
• 4.4 基于WT-KPCA的分段故障監(jiān)測實驗66-69
• 4.4.1 在線故障監(jiān)測實驗66-68
• 4.4.2 實驗結(jié)果與分析68-69
• 4.5 小結(jié)69-70
• 第五章 結(jié)論與展望70-72
• 5.1 結(jié)論70
• 5.2 展望70-72
• 參考文獻(xiàn)72-76
• 致謝76-78
• 研究成果及發(fā)表的學(xué)術(shù)論文78-80
• 作者簡介80-81
• 附件81-82

，

本文編號：652232