本文選題：故障檢測　切入點：關鍵性能指標　出處：《渤海大學》2017年碩士論文

【摘要】：隨著對工業(yè)生產(chǎn)系統(tǒng)中魯棒性需求的不斷增加,工業(yè)系統(tǒng)中的基于數(shù)據(jù)的過程監(jiān)控技術已成為學術界的熱門課題。這種基于數(shù)據(jù)的監(jiān)控技術能夠快速準確地檢測出工業(yè)過程中所存在的故障,并加以處理來保證系統(tǒng)的穩(wěn)定性。然而,研究報告和工業(yè)反饋顯示并非所有過程故障都會影響產(chǎn)品質量。如若忽略某些不必要的報警,可以減少檢修時間和人力,提高生產(chǎn)效率。基于此,一種新型的故障檢測方法應運而生,即關鍵性能指標(Key Performance Indicators,KPI)相關的故障檢測技術。該技術可以有效地區(qū)分工業(yè)過程中的故障是否影響產(chǎn)品的KPI。但該方法無法很好地解決工業(yè)系統(tǒng)所采集的數(shù)據(jù)中存在離群點的問題。本文擬對多元統(tǒng)計分析技術中偏最小二乘法(Partial Least Squares,PLS)進行改進,并與KPI故障檢測技術相融合。對線性和非線性靜態(tài)系統(tǒng),進行KPI相關的魯棒故障檢測方法具體研究。主要研究內容如下:(1)在線性過程中,針對現(xiàn)有的PLS對離群點的敏感以及故障判決邏輯復雜等情況,本論文將引進一種魯棒的PLS算法降低建模數(shù)據(jù)中離群點對PLS模型的影響。之后,通過奇異值分解(Singular Value Decomposition,SVD)對過程變量分解為KPI相關和KPI無關兩個正交子空間。從而,提出一種魯棒的KPI預測和線性故障檢測方法,該方法能夠區(qū)分所發(fā)生的故障是否影響KPI。采用Tennessee Eastman(TE)化工過程,對兩種算法進行KPI預測和KPI故障診斷。與PLS相比,該方法具有更強的魯棒性和更優(yōu)的故障檢測性能。(2)對于非線性過程中測量數(shù)據(jù)含有離群值的問題,本論文在前人的基礎上,提出一種改進的球形化KPLS(Modified Spherical KPLS,MSKPLS)在線檢測方法。該方法利用球形化策略將核處理后得到的高維特征變量投影到一個單位球面上。而后,對球形化處理后的數(shù)據(jù)進行KPLS算法計算,并利用建模得到的系數(shù)矩陣對所得到的變量空間進行SVD分解,得到KPI相關和KPI無關兩個正交子空間。從而可以對故障進行有效的檢測。該策略不僅可以降低離群點對建模精度的影響,還可以解決非線性、KPI檢測兩大關鍵問題。通過數(shù)值例子和TE化工系統(tǒng)對已有算法和新方法進行仿真對比,結果顯示新方法在KPI故障檢測上有更優(yōu)的性能。
[Abstract]:With the increasing demand for robustness in industrial production systems, The data-based process monitoring technology in industrial systems has become a hot topic in academic circles. This data-based monitoring technology can quickly and accurately detect the faults in industrial processes. However, research reports and industrial feedback show that not all process failures affect the quality of the product. Ignoring unnecessary alarms can reduce overhaul time and manpower. To improve production efficiency. Based on this, a new fault detection method emerged as the times require, That is, the key Performance indicators / KPI (key Performance indicators / KPI) related fault detection technology. This technique can effectively distinguish whether the failure in the industrial process affects the KPIs of the product. But this method can not solve the problem in the data collected by the industrial system. The problem of outliers. In this paper, the partial Least Squares (PLSs) in the multivariate statistical analysis technique is improved. And fusion with KPI fault detection technology. For linear and nonlinear static systems, the robust fault detection methods related to KPI are studied in detail. The main research contents are as follows: 1) in the linear process, In view of the sensitivity of PLS to outliers and the complexity of fault decision logic, this paper introduces a robust PLS algorithm to reduce the influence of outliers on PLS model. Singular Value decomposition (SVD) is used to decompose process variables into KPI correlation and KPI independent orthogonal subspaces. A robust KPI prediction and linear fault detection method is proposed. The method can distinguish whether the fault occurred affects the KPI. The chemical process using Tennessee Eastman Tet is used to predict the KPI and diagnose the KPI fault of the two algorithms. Compared with PLS, the proposed method can be used to predict KPI and diagnose KPI faults. This method has stronger robustness and better fault detection performance. An improved on-line detection method for spherical KPLS(Modified Spherical KPLS- MSKPLS is proposed, in which the high-dimensional feature variables obtained by kernel processing are projected onto a unit sphere by using the sphericity strategy. Then, the KPLS algorithm is used to calculate the spherically processed data. The coefficient matrix is used to decompose the variable space by SVD. Two orthogonal subspaces of KPI correlation and KPI independence are obtained, which can effectively detect faults. This strategy can not only reduce the influence of outliers on modeling accuracy. Two key problems of nonlinear KPI detection can also be solved. The simulation results of existing algorithms and new methods by numerical examples and te chemical systems show that the new method has better performance in KPI fault detection.
【學位授予單位】：渤海大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP277;O212.4

【相似文獻】

相關期刊論文 前9條

1 呂柏權,李天鐸;一種基于小波網(wǎng)絡的故障檢測方法[J];控制理論與應用;1998年05期

2 張沐光;宋執(zhí)環(huán);;一種基于獨立元貢獻度的子空間故障檢測方法[J];控制理論與應用;2010年03期

3 高明亮;;PCA故障檢測方法及應用[J];科技廣場;2012年04期

4 方華京;基于觀測器的l~1魯棒故障檢測方法[J];控制理論與應用;2001年01期

5 褚東升;董琦;張玲;;帶乘性噪聲系統(tǒng)的傳感器故障檢測方法[J];中國海洋大學學報(自然科學版);2013年04期

6 陳金水,孫優(yōu)賢;一種基于UIO觀測器的故障檢測方法[J];控制理論與應用;1997年01期

7 徐晶;張秋杰;單凈;姜萍;;基于Lipschitz指數(shù)熵的軸承故障檢測方法[J];科技導報;2009年15期

8 李克非,張詩甫,劉明,潘向黨;打印機故障檢測方法及維修實例[J];遼寧氣象;2005年03期

9 ;[J];;年期

相關會議論文 前10條

1 周小勇;葉銀忠;;基于小波多分辨率分析的故障檢測方法[A];第16屆中國過程控制學術年會暨第4屆全國故障診斷與安全性學術會議論文集[C];2005年

2 杜運成;石紅瑞;;等價空間故障檢測方法研究[A];自動化技術與冶金流程節(jié)能減排——全國冶金自動化信息網(wǎng)2008年會論文集[C];2008年

3 譚琳;文成林;;一種基于多模式的故障檢測方法[A];第二十七屆中國控制會議論文集[C];2008年

4 邱愷;吳訓忠;陳天如;魏瑞軒;張宗麟;;基于融合量測預報器的聯(lián)邦濾波故障檢測方法[A];第二十四屆中國控制會議論文集（下冊）[C];2005年

5 陳金水;孫優(yōu)賢;;一種控制系統(tǒng)故障的魯棒檢測方法[A];1995中國控制與決策學術年會論文集[C];1995年

6 顏東;張洪鉞;;基于ARMA模型的故障檢測方法[A];1994中國控制與決策學術年會論文集[C];1994年

7 張成;李元;;PC-KNN故障檢測方法在半導體批次過程中的應用研究[A];第25屆中國控制與決策會議論文集[C];2013年

8 易昭湘;慕曉冬;楊眉;趙鵬;;基于狀態(tài)監(jiān)控的軟硬件故障檢測方法[A];2007'儀表，，自動化及先進集成技術大會論文集（二）[C];2007年

9 李建立;譚慶平;徐建軍;;一種軟件實現(xiàn)的瞬時故障檢測方法[A];全國計算機安全學術交流會論文集（第二十三卷）[C];2008年

10 徐卓飛;張海燕;任玲輝;;基于紋理識別的膠印機墨杠故障檢測方法[A];顏色科學與技術——2012第二屆中國印刷與包裝學術會議論文摘要集[C];2012年

相關重要報紙文章 前1條

1 江蘇 孫春暉;淺談數(shù)字電路故障檢測方法與技巧[N];電子報;2006年

相關博士學位論文 前5條

1 劉文靜;分布式網(wǎng)絡化控制系統(tǒng)故障檢測方法研究[D];天津大學;2009年

2 彭濤;基于傳感器最優(yōu)配置的故障檢測方法研究[D];中南大學;2005年

3 馬賀賀;基于數(shù)據(jù)驅動的復雜工業(yè)過程故障檢測方法研究[D];華東理工大學;2013年

4 肖麗;基于電流信號提取技術的SRD故障檢測方法的研究[D];河北工業(yè)大學;2014年

5 王恒;基于LMI技術的線性系統(tǒng)故障檢測方法[D];東北大學;2008年

相關碩士學位論文 前10條

1 羅俊杰;FPGA故障檢測方法研究及軟件實現(xiàn)[D];中國科學院大學(工程管理與信息技術學院);2015年

2 張占奎;基于特征空間信息提取的故障檢測方法研究[D];大連理工大學;2015年

3 劉婷;串聯(lián)電弧故障檢測方法研究及應用[D];沈陽工業(yè)大學;2016年

4 郭剛;彈復性兩自由度機械手的關節(jié)故障檢測方法研究[D];華東理工大學;2016年

5 馬魯;風電機組傳動系統(tǒng)關鍵機械部件的故障檢測方法研究[D];上海電機學院;2016年

6 丁偉光;非線性網(wǎng)絡控制系統(tǒng)的故障檢測方法研究[D];南京航空航天大學;2015年

7 吳卓卓;基于田納西—伊斯曼過程故障檢測方法研究[D];華東交通大學;2016年

8 曾慶文;汽車電弧故障檢測方法研究[D];華僑大學;2016年

9 馮中艷;基于數(shù)據(jù)統(tǒng)計特性的HVAC系統(tǒng)故障檢測方法研究[D];天津大學;2016年

10 孫巍;基于PLS的關鍵性能指標相關的故障檢測方法研究[D];渤海大學;2017年

本文編號：1658853