论文部分内容阅读
在工业过程中,为了减少产品的不合格率,满足日益增加的安全性需要和环境要求,对产品质量的要求越来越高。随着产品生产周期越来越短,国际竞争越来越敏锐,如何提高产品的质量和产量是工业界急需解决的问题。基于数据驱动的故障诊断方法既不需要建立复杂的数学模型,也不需要精确的先验知识,就是对过程运行数据包括受控系统的在线和离线数据进行分析处理,挖掘隐含在其中的信息,获取过程运行状态,完成系统的故障检测与诊断。独立成分分析方法(Independent component analysis, ICA)属于基于数据驱动的故障诊断方法中的一种,是基于高阶统计量的多变量统计过程控制方法,通过提取驱动过程信息,更本质地描述过程特征,在语音处理、生物医学信号处理、数字图像特征提取、电信学和计量经济学等领域中都得到了广泛的应用。本文的主要研究工作如下：1.针对工业过程数据具有非高斯性的特点,深入研究了ICA,包括ICA的数学模型、目标函数、估计算法以及ICA在工业过程中的应用。给出受污染的3种信号,将其线性混合,作为ICA模型的输入。根据基于负熵的非高斯性度量原理,利用FastICA迭代算法分离源信号。在此基础上,通过建立统计量I2和SPE,并运用核密度估计确定控制限。通过判断统计量的值是否超出控制限来判断信号实验中是否发生故障,同时将上述方法通过田纳西-伊斯曼(Tennessee Eastman Process, TE)模型进行仿真验证。仿真结果表明尽管该方法存在一定的假报警,但该方法是有效可行的。2.针对FastICA在选取初始值时较敏感的特点,提出了基于峭度的鲁棒独立成分分析(Robust independent component analysis, RobustICA)算法,通过精确地线性搜索峭度优化函数,达到较高的迭代速度且可以用来处理是实值复杂信号,对初始值的选取和离群点具有鲁棒性。给出受污染的3种信号,将其线性混合,作为ICA模型的输入。考虑到过程数据受到污染的情况,研究了小波包分析的基本原理,结合小波包去噪预处理算法先去除噪声信号,然后根据基于峭度的非高斯性度量原理,利用RobustICA迭代算法分离源信号。在此基础上,建立统计量I2,Ie2和SPE,并运用核密度估计确定控制限。仿真结果表明该方法相比于FastICA算法能够有效地检测到故障,减少误报率。同时将上述方法通过TE模型进行仿真验证,根据I2,Ie2和SPE统计量的值判断是否发生故障,该方法相比于FastICA算法更能反映过程的变化趋势,有效地提高了过程监控的性能。3.支持向量机(Support vector machines, SVMs)能够较好地解决小样本、非线性和高维数等实际问题,研究了SVMs的基本原理以及基于SVMs多类分类方法,采用UCI数据库中wine数据验证了基于SVMs多类分类方法的有效性。为了识别TE模型故障类型,提出将RobustICA和SVMs多类分类方法相结合的故障检测与分类方法,仿真结果表明该方法能有效地识别故障类型。4.针对过程数据具有非线性的特点,提出在RobustICA方法的基础上引入核方法,即鲁棒核独立成分分析方法(Robust kernel independent component analysis, RobustKICA),通过非线性映射将原空间映射到特征空间,在特征空间中利用RobustICA进行分析,并利用统计量I2,Ie2和SPE的加权和建立检测指标Da2和Db2。TE模型的仿真研究表明该方法与PCA、FastICA和RobustICA方法相比对过程故障的检测更加灵敏,能有效地减少漏报率。