現(xiàn)代化制造工業(yè)的生產(chǎn)環(huán)境通常非常復(fù)雜,發(fā)生事故的后果是不堪設(shè)想的,而故障診斷技術(shù)可以有效地提高系統(tǒng)的安全性,降低事故風(fēng)險(xiǎn),提高經(jīng)濟(jì)效益。數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)能避開機(jī)理建模困難的問(wèn)題,它是基于工業(yè)過(guò)程中實(shí)時(shí)采集的海量數(shù)據(jù)來(lái)分析故障,已經(jīng)成為了企業(yè)界和學(xué)術(shù)界關(guān)注的熱點(diǎn)之一�；诙嘣y(tǒng)計(jì)分析的方法被廣泛應(yīng)用于工業(yè)過(guò)程監(jiān)控。在檢測(cè)到故障發(fā)生后,往往還需要對(duì)故障進(jìn)行溯源,追蹤并定位故障變量。傳統(tǒng)的故障診斷方法包括貢獻(xiàn)圖方法、基于重構(gòu)貢獻(xiàn)（RBC）的方法和貝葉斯決策的方法,但這些方法都不同程度地存在著下列問(wèn)題:其一是“污染效應(yīng)”的影響,即正常變量受到故障變量的影響被誤判為故障;其二是多故障、微小故障的復(fù)雜情形下,已有的方法無(wú)法提取有效的故障特征,造成誤判和漏判;其三是計(jì)算的復(fù)雜度過(guò)高,不具有實(shí)際應(yīng)用價(jià)值。針對(duì)這些問(wèn)題,本文提出了基于改進(jìn)Fisher判別分析的故障診斷方法。首先從幾何角度分析了Fisher判別分析的分類思路,在此基礎(chǔ)上對(duì)其進(jìn)行改進(jìn),調(diào)整了分類的原則,以提取出故障特征;然后將傳統(tǒng)的RBC拓展到了多維度的層面,并結(jié)合提取出的故障特征,對(duì)故障變量進(jìn)行了定位;最后通過(guò)工業(yè)過(guò)程案例驗(yàn)證了該方... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：95 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

單故障情形下的不同診斷方法對(duì)比

只有故障變量 5 的 99.6%的診斷結(jié)果是正確的，這是由于傳統(tǒng)貢獻(xiàn)圖方法的變量間“污染效應(yīng)”非常嚴(yán)重。隨著故障幅度的增大，變量間相互作用力使得正常變量的貢獻(xiàn)值也會(huì)非常大，因此這種方法無(wú)法保證故障變量的貢獻(xiàn)值最大，即使是簡(jiǎn)單的單故障情形。圖 3-4（b）是在傳統(tǒng)貢獻(xiàn)圖方法改進(jìn)的基于重構(gòu)貢獻(xiàn)（RBC）方法，并且結(jié)合了最小風(fēng)險(xiǎn)貝葉斯決策理論，可以看出“污染效應(yīng)”被極大的降低了，但是正常變量 2 仍然有 13.4%的誤診率，且誤診情況基本發(fā)生在故障幅度較小的前半段，這說(shuō)明這種方法雖然可以較好的解決單故障問(wèn)題，但是故障幅度必須足夠大，否則會(huì)產(chǎn)生誤診。圖 3-4（c）是基于 LASSO 方法的診斷結(jié)果，這是近年來(lái)的一種新方法，具有很好的診斷效果，診斷率 97.9%僅稍落后于本方法，基于 LASSO 方法的主要劣勢(shì)在于其高昂的計(jì)算代價(jià)，這將在后文中采用實(shí)例分析。圖 3-4（d）是本章方法的診斷結(jié)果，可以看出誤診率基本在 1%以內(nèi)，故障變量的診斷率約為 99.4%，因此完全避免了“污染效應(yīng)”，即使在前半段故障幅度較低的情形下，診斷也完全正確。

為經(jīng)過(guò)本章


本文編號(hào)：3571884