本文關(guān)鍵詞：基于自適應(yīng)PCA和時(shí)序邏輯的動(dòng)態(tài)系統(tǒng)故障診斷研究　出處：《浙江大學(xué)》2017年博士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 數(shù)據(jù)驅(qū)動(dòng) 故障診斷 動(dòng)態(tài)系統(tǒng) 多元統(tǒng)計(jì) 時(shí)序邏輯 自適應(yīng) 主元分析

【摘要】：為了保證系統(tǒng)正常、安全地運(yùn)行,故障診斷研究備受關(guān)注。通常,在復(fù)雜動(dòng)態(tài)系統(tǒng)中,過程數(shù)學(xué)機(jī)理與知識(shí)難以預(yù)先獲取,而過程數(shù)據(jù)很豐富且易于獲取。因此,研究在純數(shù)據(jù)模型框架下動(dòng)態(tài)系統(tǒng)的故障診斷問題很有意義。針對(duì)動(dòng)態(tài)系統(tǒng)故障診斷面臨的模型自動(dòng)更新和動(dòng)態(tài)過程特征表達(dá)兩大問題,本文分別從過程中全局和局部信息的自適應(yīng)提取、模型的自適應(yīng)稀疏化、時(shí)序邏輯的引入和擴(kuò)展的角度,采用自適應(yīng)主元分析(principal component analysis,PCA)和時(shí)序邏輯主要進(jìn)行了以下幾個(gè)方面的創(chuàng)新性研究:1、針對(duì)傳統(tǒng)的PCA因模型全局、固定不能準(zhǔn)確地反映動(dòng)態(tài)時(shí)變和局部信息的缺陷,通過在每一種系統(tǒng)運(yùn)行狀況下對(duì)過程變量進(jìn)行自適應(yīng)分塊,使得不同的運(yùn)行狀況有著各自的變量分塊結(jié)果,并且充分利用塊內(nèi)局部信息和塊間全局信息,根據(jù)每一個(gè)分塊結(jié)果構(gòu)建不同的全局和分塊故障診斷模型,提出自適應(yīng)分塊PCA方法。最后探究該方法在TE過程中的應(yīng)用,提高了故障檢出率和故障分離的準(zhǔn)確性。2、研究動(dòng)態(tài)時(shí)變模型的自適應(yīng)稀疏化問題。通過將不同的與各自系統(tǒng)運(yùn)行狀況相關(guān)的負(fù)荷向量稀疏懲罰項(xiàng)引入原始的PCA的優(yōu)化命題的目標(biāo)函數(shù)中,構(gòu)建自適應(yīng)稀疏PCA的優(yōu)化命題,并且提出用于求解該優(yōu)化命題的迭代內(nèi)點(diǎn)算法,得到僅僅包含少量非零元素的稀疏負(fù)荷向量。然后,定義QT2和SPE統(tǒng)計(jì)量用于故障檢測(cè)。如果發(fā)生了故障,則通過選取與故障相關(guān)程度大的變量并優(yōu)先對(duì)它們進(jìn)行故障重構(gòu)的方式來實(shí)現(xiàn)故障分離。將該自適應(yīng)稀疏方法應(yīng)用在TE過程和波形系統(tǒng)的故障檢測(cè)與分離中,驗(yàn)證了方法的有效性。3、探究純數(shù)據(jù)驅(qū)動(dòng)的復(fù)雜動(dòng)態(tài)系統(tǒng)中過程時(shí)變特征的表達(dá)和學(xué)習(xí)問題,并且提出一種基于PCA和時(shí)序邏輯的多層故障檢測(cè)與識(shí)別框架。利用時(shí)序邏輯以自然語言的形式表達(dá)系統(tǒng)中過程變量層、PCA所選取的主元層和監(jiān)控統(tǒng)計(jì)量層的過程時(shí)變特征。提出一種新的分段線性擬合算法,用于統(tǒng)計(jì)學(xué)習(xí)時(shí)序邏輯公式。然后,在系統(tǒng)正常和故障運(yùn)行狀況下,分別創(chuàng)建正常和故障時(shí)序邏輯庫。通過檢查系統(tǒng)當(dāng)前行為是否滿足正常庫中的時(shí)序邏輯公式來在線監(jiān)測(cè)是否發(fā)生故障,如果發(fā)生故障,則基于故障庫采用相似度測(cè)量來識(shí)別被檢測(cè)故障的類型。最后將該多層故障檢測(cè)與識(shí)別框架應(yīng)用在TE過程中。4、針對(duì)現(xiàn)有的時(shí)序邏輯對(duì)動(dòng)態(tài)時(shí)變特征表達(dá)力不足的問題,擴(kuò)展一種新的時(shí)序邏輯,并將該擴(kuò)展時(shí)序邏輯用于在線故障檢測(cè)。首先,利用PCA選取其所提取的前幾個(gè)主元作為過程特征變量。然后,根據(jù)這些特征變量,統(tǒng)計(jì)學(xué)習(xí)擴(kuò)展的時(shí)序邏輯公式。最后,構(gòu)建自動(dòng)機(jī)形式的故障診斷模型,實(shí)現(xiàn)機(jī)器人手臂系統(tǒng)和波形系統(tǒng)的在線故障檢測(cè)。
[Abstract]:In order to ensure the normal and safe operation of the system, the research of fault diagnosis has attracted much attention. Usually, in complex dynamic systems, the mathematical mechanism and knowledge of the process are difficult to obtain in advance. And the process data is rich and easy to get. It is significant to study the dynamic system fault diagnosis problem under the pure data model framework. There are two major problems in dynamic system fault diagnosis: automatic model updating and dynamic process feature representation. In this paper, the adaptive extraction of global and local information, the adaptive thinning of the model, and the introduction and expansion of temporal logic are discussed respectively. Adaptive principal component analysis (component) and temporal logic are mainly used in the following aspects of innovative research: 1. In view of the traditional PCA model because of the global, fixed can not accurately reflect the dynamic time-varying and local information defects, through each system in the operation of the adaptive process variables block. Make different running conditions have their own variable block results, and make full use of local information and global information between blocks, according to each block results to build a different global and block fault diagnosis model. An adaptive block PCA method is proposed. Finally, the application of this method in te process is explored, which improves the fault detection rate and the accuracy of fault separation. 2. In this paper, the adaptive sparse problem of dynamic time-varying models is studied. By introducing different load vector sparse penalty terms related to the performance of their respective systems into the objective function of the original PCA optimization proposition. The optimal proposition of adaptive sparse PCA is constructed, and an iterative interior point algorithm is proposed to solve the optimization proposition. The sparse load vector with only a small number of non-zero elements is obtained. Define QT2 and SPE statistics for fault detection. If a fault occurs. Then the fault separation is realized by selecting the variables which are highly correlated with the fault and giving priority to their fault reconfiguration. The adaptive sparse method is applied to the fault detection and separation of te process and waveform system. Verify the effectiveness of the method. 3, explore the expression and learning of process time-varying features in data-driven complex dynamic systems. A framework of multi-layer fault detection and identification based on PCA and temporal logic is proposed, in which the process variable layer in the system is expressed in the form of natural language using temporal logic. This paper presents a new piecewise linear fitting algorithm for statistical learning of temporal logic formulas. Then, under normal and fault conditions of the system, a new piecewise linear fitting algorithm is proposed for the process time-varying characteristics of the principal component layer and monitoring statistics layer selected by PCA. By checking whether the current behavior of the system is satisfied with the temporal logic formula in the normal library, we can on-line monitor whether or not there is a fault, if a fault occurs. Based on the fault database, similarity measurement is used to identify the type of fault being detected. Finally, the multi-layer fault detection and identification framework is applied in te process. 4. In order to solve the problem that the existing temporal logic is not sufficiently expressive to the dynamic time-varying feature, a new temporal logic is extended, and the extended temporal logic is applied to on-line fault detection. The first several principal components extracted by PCA are selected as process feature variables. Then, according to these feature variables, the extended temporal logic formulas are studied. Finally, a fault diagnosis model in the form of automata is constructed. The on-line fault detection of robot arm system and waveform system is realized.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP277

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳志林;張文輝;;命題線性時(shí)序邏輯的對(duì)偶模型問題的復(fù)雜性(英文)[J];軟件學(xué)報(bào);2007年07期

2 Ю.Я.巴齊列夫斯基;莫莎;;時(shí)序邏輯函數(shù)論的幾個(gè)問題(上)[J];電子計(jì)算機(jī)動(dòng)態(tài);1961年06期

3 趙興賢,林春亭;狀態(tài)圖法在氣動(dòng)時(shí)序邏輯回路設(shè)計(jì)上的應(yīng)用[J];大連海運(yùn)學(xué)院學(xué)報(bào);1983年01期

4 鄭茂松;;時(shí)序邏輯語言[J];計(jì)算機(jī)科學(xué);1983年06期

5 姜文彬;四值邏輯與脈沖異步時(shí)序邏輯網(wǎng)絡(luò)分析和設(shè)計(jì)[J];電子學(xué)報(bào);1990年03期

6 劉蔚東;;關(guān)于時(shí)序邏輯設(shè)計(jì)中的自啟動(dòng)問題[J];電工技術(shù);1997年08期

7 黃佳;;基于行為時(shí)序邏輯的安全協(xié)議研究[J];信息通信;2012年04期

8 謝揚(yáng)光;同步時(shí)序邏輯網(wǎng)絡(luò)的圖上作業(yè)設(shè)計(jì)法[J];長春郵電學(xué)院學(xué)報(bào);1986年02期

9 姜文彬;脈沖型時(shí)序邏輯網(wǎng)絡(luò)設(shè)計(jì)的解析方法[J];計(jì)算機(jī)學(xué)報(bào);1989年04期

10 姜文彬;脈沖型時(shí)序邏輯網(wǎng)絡(luò)設(shè)計(jì)（Ⅲ）[J];山東建材學(xué)院學(xué)報(bào);1995年02期

相關(guān)會(huì)議論文 前2條

1 章超;李彩虹;李廉;;SPIN在同步時(shí)序邏輯中的應(yīng)用[A];2005年全國理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會(huì)論文集[C];2005年

2 馮荷飛;曹子寧;;交錯(cuò)時(shí)序認(rèn)知邏輯在安全協(xié)議中的應(yīng)用[A];邏輯學(xué)及其應(yīng)用研究——第四屆全國邏輯系統(tǒng)、智能科學(xué)與信息科學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

相關(guān)博士學(xué)位論文 前7條

1 逄濤;命題投影時(shí)序邏輯符號(hào)模型檢測(cè)及其應(yīng)用研究[D];西安電子科技大學(xué);2014年

2 劉康玲;基于自適應(yīng)PCA和時(shí)序邏輯的動(dòng)態(tài)系統(tǒng)故障診斷研究[D];浙江大學(xué);2017年

3 劉萬偉;擴(kuò)展時(shí)序邏輯的推理及符號(hào)化模型檢驗(yàn)技術(shù)[D];國防科學(xué)技術(shù)大學(xué);2009年

4 楊琛;打結(jié)不變的命題投影時(shí)序邏輯與模型檢測(cè)[D];西安電子科技大學(xué);2010年

5 萬良;基于行為時(shí)序邏輯TLA的系統(tǒng)、規(guī)則與協(xié)議檢測(cè)的研究[D];貴州大學(xué);2009年

6 張南;命題投影時(shí)序邏輯的完備公理系統(tǒng)與形式驗(yàn)證[D];西安電子科技大學(xué);2012年

7 趙常智;基于運(yùn)行時(shí)驗(yàn)證的軟件監(jiān)控關(guān)鍵技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 劉照洋;基于行為時(shí)序邏輯TLA的網(wǎng)絡(luò)協(xié)議的描述與驗(yàn)證[D];貴州大學(xué);2015年

2 鮑秋霜;關(guān)于直覺主義時(shí)序邏輯若干問題的研究[D];南京航空航天大學(xué);2016年

3 張麗;命題投影時(shí)序邏輯的判定性和表達(dá)性[D];西安電子科技大學(xué);2007年

4 楊琳琳;基于時(shí)序邏輯的安全協(xié)議驗(yàn)證方法的研究[D];南京航空航天大學(xué);2010年

5 韓冰;線性時(shí)序邏輯在失業(yè)保險(xiǎn)審計(jì)中的應(yīng)用研究[D];哈爾濱工程大學(xué);2010年

6 田聰;命題投影時(shí)序邏輯的可判定性[D];西安電子科技大學(xué);2007年

7 林麗秀;時(shí)序邏輯轉(zhuǎn)換斷言圖的研究[D];電子科技大學(xué);2013年

8 趙延珂;基于時(shí)序邏輯模型驗(yàn)證的入侵檢測(cè)方法研究[D];鄭州大學(xué);2014年

9 李亞利;基于可能性測(cè)度的時(shí)序邏輯性質(zhì)研究[D];陜西師范大學(xué);2013年

10 葛徐駿;基于時(shí)序邏輯的雙向一致性檢測(cè)[D];華東師范大學(xué);2015年

，

本文編號(hào)：1422318