本文關鍵詞：基于核可預測元分析算法的故障檢測與診斷

  更多相關文章： 故障檢測與診斷 可預測元分析 核函數 多元累積和 支持向量機 TE過程

【摘要】：隨著工業(yè)過程的大型化復雜化,工業(yè)過程的安全性受到了人們的密切關注。因此,數據驅動的故障檢測與診斷技術成為了過程監(jiān)控領域中的重要課題�？深A測元分析(ForeCA)是一種全新的用于多變量時序相關信號的降維與特征提取方法,以一種全新的模型獨立的可預測性度量,在大量的數據中挖掘出潛在的可預測信息結構。它利用變量的自相關性可以從數據中提取觀測變量的動態(tài)時序特性,并給出該變量的可預測度。由于工業(yè)過程往往存在著很強的動態(tài)時序特性,因此,非常適合將ForeCA運用在工業(yè)過程的故障檢測與診斷中�；谏鲜隹紤],本文將可預測元分析(ForeCA)引入故障檢測與診斷領域�？傮w來說,本文的具體研究工作如下:(1)在ForeCA的基礎上,將核函數引入,提出了KForeCA方法。KForeCA方法將ForeCA擴展到了非線性領域,擴寬了其使用范圍。(2)建立了完整的基于KForeCA的故障檢測模型,提出了可預測主元和累積可預測度貢獻率的概念,構造了2L監(jiān)控統(tǒng)計量和SPE監(jiān)控統(tǒng)計量。將該模型運用在TE過程上,仿真結果顯示該模型可以有效的檢測故障。(3)建立了基于MCUSUM-KForeCA的小特征故障檢測模型,分析了MCUSUM的步長l對故障檢測效果的影響,并將該模型與基于KForeCA的模型進行了對比。將該模型運用在TE過程上,仿真結果顯示該模型可以有效的檢測故障。(4)提出了基于KForeCA-SVM的故障診斷模型,并分別在單故障和多故障情形下,將該模型的診斷結果與SVM模型和KPCA-SVM模型相對比,仿真結果表明了該模型在工業(yè)過程系統(tǒng)故障診斷中擁有良好的性能。
【關鍵詞】：故障檢測與診斷 可預測元分析 核函數 多元累積和 支持向量機 TE過程
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP277
【目錄】：

• 摘要3-5
• ABSTRACT5-9
• 第一章 緒論9-22
• 1.1 研究背景和意義9-10
• 1.2 故障檢測與診斷的主要內容10-13
• 1.3 數據驅動的故障檢測與診斷研究現狀13-19
• 1.3.1 基于機器學習的方法14-15
• 1.3.2 基于信號處理的方法15
• 1.3.3 基于信息融合的方法15-16
• 1.3.4 基于粗糙集的方法16-17
• 1.3.5 基于統(tǒng)計分析的方法17-19
• 1.4 本文的創(chuàng)新點19-20
• 1.5 論文結構20-22
• 第二章 可預測元分析基本原理22-28
• 2.1 引言22
• 2.2 主元分析（PCA）22-24
• 2.3 可預測元分析（ForeCA）24-27
• 2.3.1 可預測元分析（ForeCA）基本原理24-27
• 2.3.2 可預測元分析（ForeCA）特性分析27
• 2.4 本章小結27-28
• 第三章 核可預測元分析算法及其特性分析28-39
• 3.1 引言28
• 3.2 核方法介紹28-30
• 3.3 核可預測元分析（KForeCA）算法30-36
• 3.3.1 KForeCA基本思想30
• 3.3.2 白化特征空間中的數據30-33
• 3.3.3 功率譜估計算法33-34
• 3.3.4 EM  LIKE算法34-36
• 3.3.5 獲取K維可預測元子空間36
• 3.4 核可預測元分析特性分析36-38
• 3.5 本章小結38-39
• 第四章 基于KFORECA算法的故障檢測39-63
• 4.1 引言39
• 4.2 基于KForeCA的故障檢測模型39-44
• 4.2.1 故障檢測模型建立39-42
• 4.2.2 監(jiān)控統(tǒng)計量控制限的確定42-44
• 4.3 仿真算例及結果分析44-52
• 4.3.1 TE仿真平臺45-48
• 4.3.2 基于ForeCA的故障檢測性能分析48-52
• 4.4 基于MCUSUM-KForeCA的小特征故障檢測模型52-55
• 4.4.1 CUSUM控制圖53
• 4.4.2 故障檢測模型的建立53-55
• 4.5 仿真算例及及結果分析55-59
• 4.6 兩種故障檢測模型的對比分析59-62
• 4.7 本章小結62-63
• 第五章 基于KFORECA-SVM的故障診斷63-75
• 5.1 引言63-64
• 5.2 支持向量機分類原理64-66
• 5.3 故障診斷模型的建立66-67
• 5.4 仿真算例及結果分析67-74
• 5.4.1 單故障情形67-71
• 5.4.2 多故障情形71-74
• 5.5 本章小結74-75
• 第六章 總結與展望75-78
• 6.1 研究工作總結75-76
• 6.2 未來工作展望76-78
• 參考文獻78-84
• 致謝84-85
• 攻讀碩士學位期間已發(fā)表或錄用的論文85-87

【參考文獻】

中國期刊全文數據庫 前6條

1 李娟;周東華;司小勝;陳茂銀;徐春紅;;微小故障診斷方法綜述[J];控制理論與應用;2012年12期

2 劉強;柴天佑;秦泗釗;趙立杰;;基于數據和知識的工業(yè)過程監(jiān)視及故障診斷綜述[J];控制與決策;2010年06期

3 侯忠生;許建新;;數據驅動控制理論及方法的回顧和展望[J];自動化學報;2009年06期

4 周東華;胡艷艷;;動態(tài)系統(tǒng)的故障診斷技術[J];自動化學報;2009年06期

5 張振躍,查宏遠;Principal Manifolds and Nonlinear Dimensionality Reduction via Tangent Space Alignment[J];Journal of Shanghai University;2004年04期

6 周東華，，王慶林;基于模型的控制系統(tǒng)故障診斷技術的最新進展[J];自動化學報;1995年02期

本文編號：841381