第 1 章 緒論

1.1 課題的研究背景

當(dāng)今社會科學(xué)技術(shù)發(fā)展迅速、貿(mào)易競爭異常激烈，各個企業(yè)不得不持續(xù)地進行技術(shù)改革與創(chuàng)新來謀求生存和發(fā)展的機會，由此使得生產(chǎn)設(shè)備向大型化、自動化、智能化、低能耗等方向發(fā)展。因此，一旦生產(chǎn)系統(tǒng)出現(xiàn)故障，輕則導(dǎo)致整個設(shè)備或系統(tǒng)運行癱瘓，影響企業(yè)的正常運行和經(jīng)濟效益，重則會發(fā)生人員傷亡的事件，給企業(yè)帶來負(fù)面的影響[1]。近幾十年，全球范圍內(nèi)不斷發(fā)生的工業(yè)事故造成了災(zāi)難性的損失。1984年，位于印度的一家美國化工農(nóng)藥公司發(fā)生毒氣泄漏事件，直接造成 2500 多人死亡，受傷人數(shù)達 60 多萬人[2]。2003 年，美國“哥倫比亞”號航天飛機上起著隔離材料作用的泡沫存在瑕疵，導(dǎo)致泡沫從機外的油箱上脫落，引發(fā)飛機在結(jié)束飛行任務(wù)之前爆炸，機上所有成員遇難的重大災(zāi)難性航空事故。

...............

1.2 故障診斷技術(shù)概念

工業(yè)故障診斷的理論研究來源于 1971 年 Beard 博士所提出的用解析冗余代替硬件冗余的理論[4]。到了上世紀(jì) 70 年代，隨著檢測濾波器、廣義似然比等故障診斷理論算法被提出[5]，故障診斷理論與應(yīng)用得到了快速地發(fā)展。例如，故障診斷被應(yīng)用于航空航天、發(fā)電以及核工業(yè)等領(lǐng)域。目前，小波分析、故障樹、神經(jīng)網(wǎng)絡(luò)、人工智能、支持向量機、遺傳算法等理論和方法已被推廣到故障診斷領(lǐng)域，并取得了較好的成績[6-10]。在應(yīng)用領(lǐng)域，1967 年美國“阿波羅”號由于設(shè)備故障引發(fā)了一系列的悲劇，使美國航天國家宇航局(NASA)意識到故障診斷的重要性，開始積極投入到故障機理、監(jiān)測、診斷技術(shù)的研究和開發(fā)，并將這些技術(shù)成功應(yīng)用于航天、航空、軍事等領(lǐng)域。英國在 70 年代初，為了開發(fā)、研究診斷技術(shù)專門成立了“英國機器保健中心(U.K. MechanicalHealth Monitoring Center)”，日本將診斷技術(shù)應(yīng)用于核發(fā)電、鋼鐵和電力工業(yè)診斷等行業(yè)。

...............

第 2 章 基礎(chǔ)理論

2.1 主成分分析(PCS)

在實際的故障診斷過程中，需要對多個變量進行研究分析。但是，這些變量的數(shù)據(jù)量較大，且存在一定的相關(guān)性，在高維空間分析其分布規(guī)律與提取特征信息難度較大，，同時提取的信息在一定程度上有所重疊，因而加大了故障診斷的難度。主元分析法[36]利用投影的思想，將多變量數(shù)據(jù)依次從高維空間投影到反映數(shù)據(jù)變化的各個方差方向上，取其中方差較大的部分作為主元部分，舍去較小的部分以達到降維的目的，也就是說它能夠用較少的變量來表征原始數(shù)據(jù)多變量動態(tài)特征信息。其降階結(jié)果是把輸入數(shù)據(jù)空間劃分為兩個正交并且互補的子空間，即包含了過程的主要動態(tài)特征信息的主元子空間(principalcomponent subspace，PCS)和代表次要的過程信息以及過程中的噪聲變化的殘差子空間。從數(shù)學(xué)的角度來看，用 PCA 算法分析過程變量的特征向量相當(dāng)于對過程變量的協(xié)方差矩陣進行奇異值分解。

...............

2.2 核獨立成分分析(KICA)

KICA(kernel ICA)方法[30]將 ICA[29,37]使用過程數(shù)據(jù)的髙階統(tǒng)計特性，獲得獨立元的特點，與核函數(shù)利用非線性映射，用高維線性解決低維非線性問題的主要思想結(jié)合起來。由于 KICA 故障檢測方法可以有效地提取數(shù)據(jù)集的非高斯特征信息，因此 KICA 解決了 ICA 方法對非線性系統(tǒng)性能差的問題。獨立元分析的主要目的是只知道混合信號的前提下，分離出混合前的源信號，即尋找獨立元S 。其基本思想是按照統(tǒng)計獨立的原則對混合信號建立目標(biāo)函數(shù)，通過優(yōu)化算法計算目標(biāo)函數(shù)來實現(xiàn)獨立成分提取的目的。

...............

第 3 章 基于 KICA-PCA 的工業(yè)過程故障診斷...............24

3.1 田納西過程簡介...............24

3.2 基于 PCA 和 KICA 的工業(yè)過程故障檢測 ...............27

第 4 章 基于 FDKICA-PCA 的工業(yè)過程故障診斷...............36

4.1 小波包去噪和動態(tài) KICA-PCA................36

4.2 FDKICA-PCA 監(jiān)控流程................40

第 4 章 基于 FDKICA-PCA 的工業(yè)過程故障診斷

4.1 小波包去噪和動態(tài) KICA-PCA

FDKICA-PCA 算法由去噪、數(shù)據(jù)擴展、兩步式 KICA-PCA 等 3 部分組成。首先需要引用 2.3 節(jié)中小波包去噪的工作原理，并對正常工況下采集到的數(shù)據(jù)矩陣 X 進行去噪處理。然后利用 AR 模型(autoregressive model)對去噪后的數(shù)據(jù)矩陣 X  進行數(shù)據(jù)預(yù)測，得到增廣矩陣 X 。最后，利用兩步式 KICA-PCA算法對數(shù)據(jù) X 進行分析。在實際采集數(shù)據(jù)的過程中，同一生產(chǎn)過程中的不同變量之間關(guān)系密切，大致可分為自相關(guān)、滯后相關(guān)以及互相關(guān)，其中前兩者為生產(chǎn)過程的動態(tài)特性。常用的數(shù)據(jù)驅(qū)動方法只考慮到數(shù)據(jù)的互相關(guān)特性，而 AR 模型可以將現(xiàn)在時刻與過去時刻的數(shù)據(jù)矩陣 X 在時序上關(guān)聯(lián)起來，從而分析數(shù)據(jù)的動態(tài)特性，所以可以采用 AR 模型對變量的動態(tài)特性進行處理。

...............

4.2 FDKICA-PCA 監(jiān)控流程

圖 4-2 和圖 4-3 分別為故障 7 和故障 17 的監(jiān)控統(tǒng)計圖，其中圖a和圖b分別為KICA-PCA和FDKICA-PCA算法2T 、 SPE 、2I 統(tǒng)計量關(guān)于故障的監(jiān)控圖。在圖 4-2 中，KICA-PCA的統(tǒng)計量2I 、 SPE 在采樣點 160 處檢測到故障，而其統(tǒng)計量2T 出現(xiàn)了許多漏報、誤報點。如圖 4-3 b)所示，F(xiàn)DKICA-PCA方法2T 、SPE 與2I 統(tǒng)計量在采樣點 161 處檢測到故障，而且其之后的采樣點基本上都超出了控制限。通過對比可以看出，F(xiàn)DKICA