论文部分内容阅读
随着工业过程自动化程度的逐渐提高,实时检测到故障并保证过程的安全运行也越来越重要。现代工业过程每天都会产生和存储大量的数据,根据过程数据进行特征提取和统计建模,并基于相应的故障检测算法进行过程监测越来越成为过程监测领域的研究热点。目前,比较流行的故障检测算法主要有主成分分析(PCA)等全局结构特征提取法、邻域保持嵌入(NPE)等局部结构特征提取法,本文针对这些传统方法的不足提出如下的故障检测算法:(1)提出基于分布式ICA-PCA的故障检测算法,适合于复杂工业过程难以自动划分子块和过程数据存在非高斯信息的情况。该算法首先对过程数据进行PCA分解,并在PCA主成分不同的方向上构建不同的子块,把原始特征空间自动划分为不同子空间;然后对各个子块采用ICA-PCA两步信息提取的策略,提取出高斯信息和非高斯信息,并构建新的统计量和统计限;最后,通过仿真实验验证所提出故障检测算法的有效性。(2)针对工业过程并非完全符合多元正态分布及存在非局部属性的问题,提出基于稀疏保持投影(SPP)的故障检测算法。首先,与局部保持投影(LPP)和邻域保持嵌入(NPE)等现有技术在降维过程中保持局部邻域信息不同,SPP通过最小化一个1l正则化相关目标函数保持数据的稀疏重构关系,并计算出投影向量;其次,利用投影向量将原始数据空间划分为特征空间和残差空间,构建统计量和统计限;最后,通过仿真实验验证了所提出方法具有较好的检测效果。(3)针对传统故障检测算法仅仅嵌入数据的局部或全局结构的问题,提出基于局部-全局保持嵌入(LGPE)的故障检测算法。LGPE算法利用邻域保持嵌入(NPE)的目标函数嵌入局部数据结构,同时设计一个新的目标函数约束样本与其非近邻点间的相对位置;然后,通过双重的优化问题同时保存原始数据的局部和全局结构特征,并构建统计量和统计限;最后,通过仿真实验验证所提出算法的实用性和可行性。(4)鉴于浅层结构故障检测算法对复杂函数表示能力和复杂问题泛化能力不足的局限,本章利用深层学习算法的优势,提出基于降噪自动编码器(DAE)的故障检测算法。首先为了避免过度拟合,在自动编码器的基础上引入1l范式惩罚项;然后添加噪声建模以提高算法的鲁棒性,进而构建基于降噪自动编码器的故障检测模型;最后,通过数值和TE过程的仿真实验表明:本章所提出的故障检测算法具有很好的鲁棒性,有效地提取了原始数据的本质特征。