本文關(guān)鍵詞： 故障診斷 多元統(tǒng)計(jì) 主成分分析 偏最小二乘法　出處：《河北師范大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著工業(yè)水平朝著復(fù)雜化的發(fā)展與計(jì)算機(jī)技術(shù)的大規(guī)模應(yīng)用,故障診斷方法成為了工業(yè)生產(chǎn)中的重點(diǎn)問(wèn)題。通過(guò)對(duì)生產(chǎn)過(guò)程的的狀態(tài)進(jìn)行觀察與預(yù)測(cè),能夠在故障發(fā)生之前及時(shí)發(fā)現(xiàn)工況異常,診斷出故障發(fā)生位置,合理消除噪聲干擾,從而保證工業(yè)生產(chǎn)過(guò)程正常、安全運(yùn)行。伴隨著計(jì)算機(jī)的發(fā)展,工業(yè)生產(chǎn)過(guò)程中大量的信息都可以完整保存下來(lái)。因此,如何合理運(yùn)用這些信息,通過(guò)分析大數(shù)據(jù)來(lái)判斷工況是否正常,成為了研究領(lǐng)域的熱點(diǎn)問(wèn)題。在這樣的時(shí)代背景下,基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法收到了廣泛關(guān)注,并成功的應(yīng)用于冶金、制藥的生產(chǎn)過(guò)程中,在監(jiān)控與檢測(cè)領(lǐng)域體現(xiàn)了優(yōu)越性。多元統(tǒng)計(jì)分析以主成分分析(PCA)與偏最小二乘法(PLS)為主,該方法不需要建立具體的數(shù)學(xué)模型,適用于產(chǎn)生大量數(shù)據(jù)的工況。通過(guò)對(duì)高維數(shù)據(jù)進(jìn)行降維處理,可以提高計(jì)算效率,因此具有重要的研究?jī)r(jià)值與實(shí)用性。本文通過(guò)對(duì)主成分分析與偏最小二乘法的研究,并結(jié)合風(fēng)力發(fā)電機(jī)的的工況進(jìn)行仿真研究。論文的主要內(nèi)容如下:說(shuō)明了故障診斷技術(shù)在自動(dòng)控制領(lǐng)域的重要性及其意義。介紹了故障診斷與數(shù)據(jù)驅(qū)動(dòng)的方法在最近半個(gè)世紀(jì)來(lái)的發(fā)展歷史。建立了主元模型的具體表達(dá)形式,描述了主元分析的基本理論,以及基于主元分析的建模方法,與利用統(tǒng)計(jì)圖和貢獻(xiàn)圖進(jìn)行基本的故障定位。針對(duì)傳統(tǒng)主元分析方法的不足,研究了重構(gòu)主元方法,并且針對(duì)重構(gòu)方法無(wú)法診斷多故障同時(shí)發(fā)生的情況,對(duì)重構(gòu)法做了改變。介紹了偏最小二乘法的基本理論,并且仿真對(duì)比了主元分析與偏最小二乘法的診斷效果,分析了兩種方法在今后的研究趨勢(shì)�？偨Y(jié)與展望。對(duì)本文內(nèi)容進(jìn)行了總結(jié),并對(duì)數(shù)據(jù)驅(qū)動(dòng)的下一步研究計(jì)劃作出了規(guī)劃。
[Abstract]:With the development of industrial level towards complexity and the large-scale application of computer technology, fault diagnosis method has become a key problem in industrial production. The state of production process is observed and predicted. It can find the abnormal working condition in time before the fault occurs, diagnose the location of the fault, reasonably eliminate the noise interference, so as to ensure the normal and safe operation of the industrial production process, along with the development of the computer. A large amount of information in the industrial production process can be completely preserved. Therefore, how to use the information reasonably, through the analysis of big data to determine whether the working conditions are normal. It has become a hot issue in the field of research. In such an era background, data-driven fault diagnosis method has received extensive attention, and has been successfully applied in metallurgical and pharmaceutical production process. In the field of monitoring and detection, the main advantages of multivariate statistical analysis are principal component analysis (PCA) and partial least square method (PLS). This method does not need to establish a specific mathematical model. It is suitable for the condition of producing a large amount of data. By reducing the dimension of the high-dimensional data, the computational efficiency can be improved. Therefore, it has important research value and practicability. In this paper, principal component analysis and partial least square method are studied. The main contents of this paper are as follows:. The importance and significance of fault diagnosis technology in the field of automatic control are explained. The development history of fault diagnosis and data-driven method in the last half century is introduced, and the concrete expression form of principal component model is established. The basic theory of principal component analysis (PCA), the modeling method based on PCA, and the basic fault location based on statistical diagram and contribution diagram are described. The reconstruction principal component method is studied, and the reconstruction method is changed in view of the fact that the reconstruction method can not diagnose multiple faults at the same time. The basic theory of partial least square method is introduced. And the simulation results of principal component analysis and partial least square method are compared, and the research trend of the two methods in the future is analyzed. Summary and prospect. The content of this paper is summarized. And the next step of data-driven research plan to make a plan.
【學(xué)位授予單位】：河北師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：O212;TP277

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊瑞明;;基于主元分析的生產(chǎn)過(guò)程質(zhì)量控制與診斷[J];制造業(yè)自動(dòng)化;2012年16期

2 范少薈;文成林;;基于滑動(dòng)中值濾波的多尺度主元分析方法[J];高技術(shù)通訊;2008年03期

3 楊莉;基于主元分析的多變量統(tǒng)計(jì)過(guò)程的故障辨識(shí)技術(shù)[J];信息與電子工程;2004年04期

4 蔣行國(guó);侯洪彬;陳真誠(chéng);;基于主元分析的電子舌味覺檢測(cè)[J];科技導(dǎo)報(bào);2011年23期

5 邵曉芳;王勇;葉靈偉;郭維波;;一種新的取向估計(jì)方法[J];科技信息(科學(xué)教研);2007年17期

6 徐建程;孫莉莉;;基于主元分析的隨機(jī)相移算法[J];強(qiáng)激光與粒子束;2012年06期

7 呂江婷;陳少斌;黃宴委;;基于主元分析與近鄰距離的特征基因選擇與去噪[J];福州大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年01期

8 唐亮;熊蓉;劉勇;;主元分析變換空間上的鑒別共同矢量人臉識(shí)別方法[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2009年04期

9 趙忠蓋;劉飛;;無(wú)先驗(yàn)知識(shí)下基于概率主元分析的故障檢測(cè)方法[J];系統(tǒng)工程理論與實(shí)踐;2009年11期

10 向馗;李炳南;;主元分析中的稀疏性[J];電子學(xué)報(bào);2012年12期

相關(guān)會(huì)議論文 前8條

1 李元;徐進(jìn)學(xué);謝植;;基于最小VRE確定PCA模型的理論及應(yīng)用研究[A];中國(guó)儀器儀表學(xué)會(huì)第五屆青年學(xué)術(shù)會(huì)議論文集[C];2003年

2 王靜媛;邵之江;紀(jì)彭;姚科田;陳智強(qiáng);;基于動(dòng)態(tài)主元分析的空分過(guò)程異常工況在線診斷[A];2009中國(guó)過(guò)程系統(tǒng)工程年會(huì)暨中國(guó)mes年會(huì)論文集[C];2009年

3 吳昌應(yīng);劉飛;;一種非線性主元分析方法在TE過(guò)程中的仿真研究[A];2005全國(guó)自動(dòng)化新技術(shù)學(xué)術(shù)交流會(huì)論文集（三）[C];2005年

4 鄧鵬程;;基于多維主元分析的輸電線路故障在線監(jiān)測(cè)[A];2012電力行業(yè)信息化年會(huì)論文集[C];2012年

5 肖江;蔣愛平;;基于PCA的SVM故障診斷方法研究與應(yīng)用[A];全國(guó)先進(jìn)制造技術(shù)高層論壇暨制造業(yè)自動(dòng)化、信息化技術(shù)研討會(huì)論文集[C];2005年

6 肖江;蔣愛平;;基于PCA的SVM故障診斷方法研究與應(yīng)用[A];第十屆全國(guó)信息技術(shù)化工應(yīng)用年會(huì)論文集[C];2005年

7 趙成燕;趙剛;劉愛倫;;一種基于小波去噪和主元分析的故障檢測(cè)與診斷方法[A];全國(guó)自動(dòng)化新技術(shù)學(xué)術(shù)交流會(huì)會(huì)議論文集（一）[C];2005年

8 王強(qiáng);曾向陽(yáng);王曙光;李娜;;主元分析在水下目標(biāo)特征選擇中的應(yīng)用[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2011年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2011年

相關(guān)博士學(xué)位論文 前1條

1 蘇永振;航空材料結(jié)構(gòu)低速?zèng)_擊健康監(jiān)測(cè)研究[D];南京航空航天大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 宣暨洋;基于主元分析和貢獻(xiàn)圖的微小故障診斷研究[D];浙江大學(xué);2015年

2 張凱林;基于主元分析和偏最小二乘的TE過(guò)程監(jiān)測(cè)方法的研究[D];天津理工大學(xué);2015年

3 張帥;基于主元分析的動(dòng)態(tài)過(guò)程質(zhì)量異常模式識(shí)別研究[D];鄭州大學(xué);2015年

4 柯亮;基于改進(jìn)主元分析的微小故障檢測(cè)算法研究[D];江南大學(xué);2016年

5 陳f，

本文編號(hào)：1443738