本文關(guān)鍵詞：基于特征提取與信息融合的工業(yè)過程監(jiān)測(cè)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著全球化市場(chǎng)對(duì)企業(yè)的盈利和競(jìng)爭(zhēng)能力提出新的要求,有效地保證過程生產(chǎn)安全和提高產(chǎn)品質(zhì)量是現(xiàn)代過程工業(yè)面臨的主要挑戰(zhàn),因此過程監(jiān)測(cè)無論是在工業(yè)應(yīng)用領(lǐng)域還是學(xué)術(shù)研究領(lǐng)域都有著重大的實(shí)踐意義和理論研究?jī)r(jià)值。近年來,由于計(jì)算機(jī)技術(shù)的飛躍發(fā)展和工業(yè)規(guī)模的不斷擴(kuò)大,工業(yè)過程能夠測(cè)量和存儲(chǔ)的數(shù)據(jù)信息越來越大而精確描述過程的機(jī)理模型卻難以獲得,如何從海量的過程數(shù)據(jù)中發(fā)掘出能用于監(jiān)測(cè)過程運(yùn)行狀態(tài)的有用信息已成為迫切需要解決的問題�；跀�(shù)據(jù)驅(qū)動(dòng)的過程監(jiān)測(cè)技術(shù)就是在這個(gè)背景下應(yīng)運(yùn)而生的,其中多變量統(tǒng)計(jì)過程監(jiān)測(cè)(MSPM)方法在工業(yè)界和學(xué)術(shù)界的廣泛關(guān)注下已經(jīng)成為過程監(jiān)測(cè)領(lǐng)域的研究熱點(diǎn)。 雖然MSPM已經(jīng)得到了長(zhǎng)足的發(fā)展,各種方法層出不窮,但是還存在諸如特征提取、數(shù)據(jù)降維和多工況或多模態(tài)過程監(jiān)測(cè)等一系列亟待解決的問題。此外,如何開發(fā)出能結(jié)合基于解析模型和基于數(shù)據(jù)驅(qū)動(dòng)方法的混合過程監(jiān)測(cè)框架也是一個(gè)值得研究的課題。本文在已有研究工作的基礎(chǔ)上,以數(shù)據(jù)特征提取和信息融合為研究主線,針對(duì)不同的問題,提出了不同的過程監(jiān)測(cè)新方法,具體包括： 1)針對(duì)傳統(tǒng)主成分分析(PCA)算法在建立統(tǒng)計(jì)監(jiān)測(cè)模型的過程中存在的截?cái)嘈畔G失問題,提出一種基于四子空間構(gòu)建的分布式過程監(jiān)測(cè)新方法。根據(jù)各過程變量與PCA主成分子空間和殘差子空間的相關(guān)性,將過程變量分割為四個(gè)變量子空間,每個(gè)變量子空間與原始數(shù)據(jù)所對(duì)應(yīng)的PCA模型之間存在著不同的聯(lián)系。每個(gè)子空間都是原始數(shù)據(jù)的一個(gè)低維特征表示,可以直接為其建立以平方馬氏距離作為的監(jiān)測(cè)統(tǒng)計(jì)量。為了得到最終統(tǒng)一的監(jiān)測(cè)結(jié)果,利用貝葉斯推理將四子空間的監(jiān)測(cè)統(tǒng)計(jì)量融合為一個(gè)概率型的指標(biāo)。對(duì)單個(gè)子空間而言,空間的維數(shù)得以降低,而從整體上看,所有過程變量未經(jīng)任何的轉(zhuǎn)換或加權(quán),原始數(shù)據(jù)中的信息得到了最大化的保留。仿真實(shí)驗(yàn)研究表明,提出的分布式過程監(jiān)測(cè)方法能在很大程度上改善故障檢測(cè)的效果。 2)原始數(shù)據(jù)空間包含全局結(jié)構(gòu)和局部結(jié)構(gòu)特征信息,在故障發(fā)生時(shí),數(shù)據(jù)空間中的全局和局部結(jié)構(gòu)特征均會(huì)受到不同程度的影響,任何一方面的特征遺失都有可能影響過程監(jiān)測(cè)算法的性能。為此,提出了一種能折衷提取數(shù)據(jù)全局和局部結(jié)構(gòu)特征的算法。在全面分析了PCA、局部保持投影(LPP)、全局-局部結(jié)構(gòu)分析(GLSA)和局部-全局PCA(LGPCA)等數(shù)據(jù)空間結(jié)構(gòu)特征保持算法的優(yōu)化目標(biāo)函數(shù)后,針對(duì)他們的全局結(jié)構(gòu)保持目標(biāo)函數(shù)中缺乏近鄰信息這一問題,在設(shè)計(jì)全局結(jié)構(gòu)保持目標(biāo)子函數(shù)時(shí),以數(shù)據(jù)點(diǎn)的局部均值向量取代整體均值向量,從而推理出一個(gè)能在全局和局部結(jié)構(gòu)特征中同時(shí)考慮近鄰流形信息的多流形投影(MMP)算法。并在MMP算法的基礎(chǔ)上開發(fā)出了對(duì)應(yīng)的過程監(jiān)測(cè)方法框架。通過實(shí)驗(yàn)的對(duì)比分析,驗(yàn)證了MMP算法具有較好的特征提取能力,能夠取得更優(yōu)越的監(jiān)測(cè)結(jié)果。 3)利用獨(dú)立成分分析(ICA)算法建立非高斯過程監(jiān)測(cè)模型時(shí),難以確定最佳的降維準(zhǔn)則,且降維準(zhǔn)則直接影響了ICA過程監(jiān)測(cè)方法的性能。針對(duì)這個(gè)問題,提出了一種新的基于ICA的非高斯過程監(jiān)測(cè)方法。該方法利用了模式識(shí)別領(lǐng)域集成學(xué)習(xí)的思想,綜合利用所有可用的降維準(zhǔn)則,建立多個(gè)統(tǒng)計(jì)監(jiān)測(cè)模型,并通過貝葉斯推理構(gòu)造出一個(gè)概率型的監(jiān)測(cè)指標(biāo),有效地降低過程監(jiān)測(cè)性能對(duì)單一降維準(zhǔn)則的敏感度。實(shí)驗(yàn)研究表明。由于集成學(xué)習(xí)框架下的ICA方法集成化的考慮多個(gè)監(jiān)測(cè)子模型的監(jiān)測(cè)結(jié)果,它能獲得更滿意的故障檢測(cè)效果。 4)針對(duì)過程的多工況運(yùn)行情況并同時(shí)考慮過程的時(shí)變特征,為多模態(tài)過程提出了一個(gè)體系化的過程監(jiān)測(cè)方案,它集模態(tài)聚類、自適應(yīng)模態(tài)辨識(shí)和自適應(yīng)模型更新為一體。離線建模階段,考慮到過程缺失區(qū)分各模態(tài)數(shù)據(jù)的完整經(jīng)驗(yàn)和數(shù)據(jù)的高維特性,提出利用局部保持索引(LPI)降維技術(shù)和集成c-均值聚類方法相結(jié)合的模態(tài)聚類方法。隨后,為多模態(tài)過程數(shù)據(jù)提出模態(tài)展開的預(yù)處理技巧。模態(tài)展開首先將聚類后的多模態(tài)過程數(shù)據(jù)當(dāng)成一個(gè)三維數(shù)據(jù)矩陣,然后按照模態(tài)將三維數(shù)據(jù)矩陣展開為二維數(shù)據(jù)矩陣,并根據(jù)每個(gè)模態(tài)所對(duì)應(yīng)的均值和方差對(duì)其作歸一化預(yù)處理。該技巧能消除數(shù)據(jù)因局部均值和方差的變化而引起的多模態(tài)特性,這可以方便我們直接為多模態(tài)過程建立單個(gè)全局的統(tǒng)計(jì)監(jiān)測(cè)模型。在線監(jiān)測(cè)階段,提出自適應(yīng)的策略以有效地識(shí)別出當(dāng)前的操作模態(tài),以及如何進(jìn)行模型更新適應(yīng)過程的時(shí)變動(dòng)態(tài)特性。 5)探討研究了基于數(shù)據(jù)驅(qū)動(dòng)技術(shù)和觀測(cè)器設(shè)計(jì)組合方法論用于監(jiān)測(cè)混合過程的相關(guān)問題。在過程控制領(lǐng)域,通常將在多個(gè)操作模態(tài)間切換的過程定義成混合過程,對(duì)混合過程監(jiān)測(cè)問題的研究,基于數(shù)據(jù)驅(qū)動(dòng)的方法和基于解析模型的方法都是被分開來研究的。首先,針對(duì)基于解析模型的方法在模態(tài)識(shí)別上的不足和要求精確機(jī)理模型的難題,采用基于數(shù)據(jù)驅(qū)動(dòng)的方法來描述混合過程的多模態(tài)特征,以及利用子空間辨識(shí)技術(shù)獲取近似的狀態(tài)空間模型�；跀�(shù)據(jù)驅(qū)動(dòng)方法的優(yōu)勢(shì)在于它只需過程采集的數(shù)據(jù)信息,從而最大化的解放了基于解析模型方法的諸多限制條件。其次,利用被基于解析模型方法領(lǐng)域廣泛研究的未知輸入觀測(cè)器理論,為混合過程的各個(gè)操作模態(tài)開發(fā)出對(duì)應(yīng)的基于觀測(cè)器設(shè)計(jì)的故障檢測(cè)與診斷方法�；诮y(tǒng)計(jì)分析的過程監(jiān)測(cè)方法因缺乏對(duì)過程動(dòng)態(tài)性的有效描述,有可能給出模擬兩可甚至誤導(dǎo)的結(jié)果,而基于觀測(cè)器設(shè)計(jì)的方法則可以有效地避免這一問題。即使是針對(duì)大型復(fù)雜過程,如Tennessee Eastman Benchmark過程,從故障檢測(cè)的角度出發(fā),該組合方法論仍是可行的。 最后,在總結(jié)全文研究工作和分析所存在問題的基礎(chǔ)上,闡述了未來在過程監(jiān)測(cè)領(lǐng)域的研究工作。
【關(guān)鍵詞】：統(tǒng)計(jì)過程監(jiān)測(cè) 主成分分析 獨(dú)立成分分析 貝葉斯推理
【學(xué)位授予單位】：華東理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP274
【目錄】：

• 摘要5-7
• Abstract7-13
• 第1章 緒論13-30
• 1.1 引言13
• 1.2 過程監(jiān)測(cè)概述13-16
• 1.2.1 過程監(jiān)測(cè)的研究?jī)?nèi)容13-14
• 1.2.2 過程監(jiān)測(cè)的主要研究方法14-16
• 1.3 統(tǒng)計(jì)過程監(jiān)測(cè)的研究現(xiàn)狀16-27
• 1.3.1 統(tǒng)計(jì)過程監(jiān)測(cè)的發(fā)展歷程16-17
• 1.3.2 多變量統(tǒng)計(jì)過程監(jiān)測(cè)的主要方法17-23
• 1.3.3 TE Benchmark實(shí)驗(yàn)平臺(tái)介紹23-26
• 1.3.4 多變量統(tǒng)計(jì)過程監(jiān)測(cè)中存在的問題26-27
• 1.4 本文的研究?jī)?nèi)容和安排27-29
• 1.5 本章小結(jié)29-30
• 第2章 基于四子空間構(gòu)建與貝葉斯推理的分布式統(tǒng)計(jì)過程監(jiān)測(cè)30-47
• 2.1 引言30
• 2.2 基于FSCB的分布式統(tǒng)計(jì)過程監(jiān)測(cè)30-34
• 2.2.1 FSCB方法概述30-31
• 2.2.2 四子空間的構(gòu)建策略31-32
• 2.2.3 子空間構(gòu)建方法分析32-33
• 2.2.4 故障檢測(cè)方法33-34
• 2.3 基于FSCB的過程監(jiān)測(cè)策略34-36
• 2.3.1 故障檢測(cè)流程34-35
• 2.3.2 基于貢獻(xiàn)圖的故障診斷方法35-36
• 2.4 實(shí)驗(yàn)研究36-45
• 2.4.1 數(shù)值仿真實(shí)驗(yàn)研究36-39
• 2.4.2 TE Benchmark仿真實(shí)驗(yàn)39-42
• 2.4.3 FSCB方法的有效性分析42-45
• 2.5 本章小結(jié)45-47
• 第3章 基于多流形投影算法的過程監(jiān)測(cè)研究47-61
• 3.1 引言47-48
• 3.2 PCA、LPP、以及MMP算法推理48-51
• 3.2.1 PCA和LPP算法介紹48-49
• 3.2.2 MMP算法推理49-50
• 3.2.3 MMP算法分析50-51
• 3.3 基于MMP的過程監(jiān)測(cè)方法51-52
• 3.3.1 故障檢測(cè)方法51
• 3.3.2 故障診斷方法51-52
• 3.4 實(shí)驗(yàn)研究52-59
• 3.4.1 數(shù)值仿真實(shí)驗(yàn)研究52-53
• 3.4.2 TE過程實(shí)驗(yàn)研究53-59
• 3.5 本章小結(jié)59-61
• 第4章 集成學(xué)習(xí)策略下的獨(dú)立成分分析及其應(yīng)用研究61-77
• 4.1 引言61-62
• 4.2 ICA模型求解與數(shù)據(jù)降維62-64
• 4.2.1 FastICA算法62-63
• 4.2.2 ICA算法數(shù)據(jù)降維問題63-64
• 4.3 基于EICA的過程監(jiān)測(cè)方法64-67
• 4.3.1 集成學(xué)習(xí)思想與貝葉斯推理65-66
• 4.3.2 故障診斷方法66-67
• 4.3.3 詳細(xì)的過程監(jiān)測(cè)流程67
• 4.4 實(shí)驗(yàn)研究67-75
• 4.4.1 數(shù)值仿真案例分析68-72
• 4.4.2 TE Benchmark實(shí)驗(yàn)研究72-75
• 4.5 本章小結(jié)75-77
• 第5章 融合模態(tài)聚類與展開的自適應(yīng)多模態(tài)過程監(jiān)測(cè)策略77-93
• 5.1 引言77-78
• 5.2 數(shù)據(jù)聚類與多向展開數(shù)據(jù)處理方法78-80
• 5.2.1 集成c-均值聚類算法78-79
• 5.2.2 間歇過程多向數(shù)據(jù)處理方式79-80
• 5.3 模態(tài)聚類與模態(tài)展開80-82
• 5.3.1 模態(tài)聚類80-81
• 5.3.2 模態(tài)展開81-82
• 5.4 自適應(yīng)過程監(jiān)測(cè)策略82-85
• 5.4.1 自適應(yīng)模態(tài)辨識(shí)82-84
• 5.4.2 自適應(yīng)模型更新84-85
• 5.4.3 多模態(tài)自適應(yīng)過程監(jiān)測(cè)流程85
• 5.5 仿真案例研究85-91
• 5.5.1 離線建模86-88
• 5.5.2 實(shí)驗(yàn)結(jié)果對(duì)比分析88-91
• 5.6 本章小結(jié)91-93
• 第6章 基于混合方法的多模態(tài)過程系統(tǒng)故障檢測(cè)與診斷研究93-110
• 6.1 引言93-94
• 6.2 過程監(jiān)測(cè)框架概述94-95
• 6.3 基于數(shù)據(jù)驅(qū)動(dòng)的模態(tài)辨識(shí)和SMI技術(shù)95-97
• 6.3.1 高斯混合模型95-96
• 6.3.2 子空間模型辨識(shí)96-97
• 6.4 基于觀測(cè)器設(shè)計(jì)的故障檢測(cè)與診斷97-100
• 6.4.1 未知輸入觀測(cè)器97-99
• 6.4.2 傳感器故障診斷99-100
• 6.4.3 執(zhí)行器或過程故障診斷100
• 6.5 仿真案例研究100-109
• 6.5.1 數(shù)值仿真案例100-105
• 6.5.2 CSTH過程實(shí)驗(yàn)研究105-107
• 6.5.3 TE Benchmark過程實(shí)驗(yàn)研究107-109
• 6.6 本章小結(jié)109-110
• 第7章 研究總結(jié)與展望110-114
• 7.1 研究工作總結(jié)110-112
• 7.2 研究工作展望112-114
• 參考文獻(xiàn)114-125
• 致謝125-126
• 攻讀博士學(xué)位期間發(fā)表的學(xué)術(shù)論文126

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前7條

1 方培培,李永麗,楊曉軍;Petri網(wǎng)與專家系統(tǒng)結(jié)合的輸電網(wǎng)絡(luò)故障診斷方法[J];電力系統(tǒng)及其自動(dòng)化學(xué)報(bào);2005年02期

2 陳耀,王文海,孫優(yōu)賢;基于動(dòng)態(tài)主元分析的統(tǒng)計(jì)過程監(jiān)視[J];化工學(xué)報(bào);2000年05期

3 王海清,宋執(zhí)環(huán),李平;改進(jìn)PCA及其在過程監(jiān)測(cè)與故障診斷中的應(yīng)用[J];化工學(xué)報(bào);2001年06期

4 趙忠蓋;劉飛;;因子分析及其在過程監(jiān)控中的應(yīng)用[J];化工學(xué)報(bào);2007年04期

5 趙忠蓋;劉飛;徐保國(guó);;基于改進(jìn)混合概率主元分析模型的過程監(jiān)控[J];控制與決策;2006年07期

6 周東華;胡艷艷;;動(dòng)態(tài)系統(tǒng)的故障診斷技術(shù)[J];自動(dòng)化學(xué)報(bào);2009年06期

7 趙仕健,徐用懋;Multivariate Statistical Process Monitoring Using Robust Nonlinear Principal Component Analysis[J];Tsinghua Science and Technology;2005年05期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 葛志強(qiáng);復(fù)雜工況過程統(tǒng)計(jì)監(jiān)測(cè)方法研究[D];浙江大學(xué);2009年

2 祝志博;融合聚類分析的故障檢測(cè)和分類研究[D];浙江大學(xué);2012年

  本文關(guān)鍵詞：基于特征提取與信息融合的工業(yè)過程監(jiān)測(cè)研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：288758