本文關鍵詞：基于自適應PCA和時序邏輯的動態(tài)系統(tǒng)故障診斷研究　出處：《浙江大學》2017年博士論文　論文類型：學位論文

  更多相關文章： 數(shù)據(jù)驅動 故障診斷 動態(tài)系統(tǒng) 多元統(tǒng)計 時序邏輯 自適應 主元分析

【摘要】：為了保證系統(tǒng)正常、安全地運行,故障診斷研究備受關注。通常,在復雜動態(tài)系統(tǒng)中,過程數(shù)學機理與知識難以預先獲取,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)模型框架下動態(tài)系統(tǒng)的故障診斷問題很有意義。針對動態(tài)系統(tǒng)故障診斷面臨的模型自動更新和動態(tài)過程特征表達兩大問題,本文分別從過程中全局和局部信息的自適應提取、模型的自適應稀疏化、時序邏輯的引入和擴展的角度,采用自適應主元分析(principal component analysis,PCA)和時序邏輯主要進行了以下幾個方面的創(chuàng)新性研究:1、針對傳統(tǒng)的PCA因模型全局、固定不能準確地反映動態(tài)時變和局部信息的缺陷,通過在每一種系統(tǒng)運行狀況下對過程變量進行自適應分塊,使得不同的運行狀況有著各自的變量分塊結果,并且充分利用塊內(nèi)局部信息和塊間全局信息,根據(jù)每一個分塊結果構建不同的全局和分塊故障診斷模型,提出自適應分塊PCA方法。最后探究該方法在TE過程中的應用,提高了故障檢出率和故障分離的準確性。2、研究動態(tài)時變模型的自適應稀疏化問題。通過將不同的與各自系統(tǒng)運行狀況相關的負荷向量稀疏懲罰項引入原始的PCA的優(yōu)化命題的目標函數(shù)中,構建自適應稀疏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)點算法,得到僅僅包含少量非零元素的稀疏負荷向量。然后,定義QT2和SPE統(tǒng)計量用于故障檢測。如果發(fā)生了故障,則通過選取與故障相關程度大的變量并優(yōu)先對它們進行故障重構的方式來實現(xiàn)故障分離。將該自適應稀疏方法應用在TE過程和波形系統(tǒng)的故障檢測與分離中,驗證了方法的有效性。3、探究純數(shù)據(jù)驅動的復雜動態(tài)系統(tǒng)中過程時變特征的表達和學習問題,并且提出一種基于PCA和時序邏輯的多層故障檢測與識別框架。利用時序邏輯以自然語言的形式表達系統(tǒng)中過程變量層、PCA所選取的主元層和監(jiān)控統(tǒng)計量層的過程時變特征。提出一種新的分段線性擬合算法,用于統(tǒng)計學習時序邏輯公式。然后,在系統(tǒng)正常和故障運行狀況下,分別創(chuàng)建正常和故障時序邏輯庫。通過檢查系統(tǒng)當前行為是否滿足正常庫中的時序邏輯公式來在線監(jiān)測是否發(fā)生故障,如果發(fā)生故障,則基于故障庫采用相似度測量來識別被檢測故障的類型。最后將該多層故障檢測與識別框架應用在TE過程中。4、針對現(xiàn)有的時序邏輯對動態(tài)時變特征表達力不足的問題,擴展一種新的時序邏輯,并將該擴展時序邏輯用于在線故障檢測。首先,利用PCA選取其所提取的前幾個主元作為過程特征變量。然后,根據(jù)這些特征變量,統(tǒng)計學習擴展的時序邏輯公式。最后,構建自動機形式的故障診斷模型,實現(xiàn)機器人手臂系統(tǒng)和波形系統(tǒng)的在線故障檢測。
[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.
【學位授予單位】：浙江大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TP277

【相似文獻】

相關期刊論文 前10條

1 吳志林;張文輝;;命題線性時序邏輯的對偶模型問題的復雜性(英文)[J];軟件學報;2007年07期

2 Ю.Я.巴齊列夫斯基;莫莎;;時序邏輯函數(shù)論的幾個問題(上)[J];電子計算機動態(tài);1961年06期

3 趙興賢,林春亭;狀態(tài)圖法在氣動時序邏輯回路設計上的應用[J];大連海運學院學報;1983年01期

4 鄭茂松;;時序邏輯語言[J];計算機科學;1983年06期

5 姜文彬;四值邏輯與脈沖異步時序邏輯網(wǎng)絡分析和設計[J];電子學報;1990年03期

6 劉蔚東;;關于時序邏輯設計中的自啟動問題[J];電工技術;1997年08期

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

8 謝揚光;同步時序邏輯網(wǎng)絡的圖上作業(yè)設計法[J];長春郵電學院學報;1986年02期

9 姜文彬;脈沖型時序邏輯網(wǎng)絡設計的解析方法[J];計算機學報;1989年04期

10 姜文彬;脈沖型時序邏輯網(wǎng)絡設計（Ⅲ）[J];山東建材學院學報;1995年02期

相關會議論文 前2條

1 章超;李彩虹;李廉;;SPIN在同步時序邏輯中的應用[A];2005年全國理論計算機科學學術年會論文集[C];2005年

2 馮荷飛;曹子寧;;交錯時序認知邏輯在安全協(xié)議中的應用[A];邏輯學及其應用研究——第四屆全國邏輯系統(tǒng)、智能科學與信息科學學術會議論文集[C];2008年

相關博士學位論文 前7條

1 逄濤;命題投影時序邏輯符號模型檢測及其應用研究[D];西安電子科技大學;2014年

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

3 劉萬偉;擴展時序邏輯的推理及符號化模型檢驗技術[D];國防科學技術大學;2009年

4 楊琛;打結不變的命題投影時序邏輯與模型檢測[D];西安電子科技大學;2010年

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

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

7 趙常智;基于運行時驗證的軟件監(jiān)控關鍵技術研究[D];國防科學技術大學;2011年

相關碩士學位論文 前10條

1 劉照洋;基于行為時序邏輯TLA的網(wǎng)絡協(xié)議的描述與驗證[D];貴州大學;2015年

2 鮑秋霜;關于直覺主義時序邏輯若干問題的研究[D];南京航空航天大學;2016年

3 張麗;命題投影時序邏輯的判定性和表達性[D];西安電子科技大學;2007年

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

5 韓冰;線性時序邏輯在失業(yè)保險審計中的應用研究[D];哈爾濱工程大學;2010年

6 田聰;命題投影時序邏輯的可判定性[D];西安電子科技大學;2007年

7 林麗秀;時序邏輯轉換斷言圖的研究[D];電子科技大學;2013年

8 趙延珂;基于時序邏輯模型驗證的入侵檢測方法研究[D];鄭州大學;2014年

9 李亞利;基于可能性測度的時序邏輯性質研究[D];陜西師范大學;2013年

10 葛徐駿;基于時序邏輯的雙向一致性檢測[D];華東師范大學;2015年

，

本文編號：1422318