论文部分内容阅读
小波技术的发展为多元统计过程监测的研究和应用注入了新的生命力,本文以小波分析和主元分析PCA的基本理论为基础,将主元分析PCA去线性变量相关性的能力以及小波变换提取变量局部特征和近似分解变量自相关性的能力综合起来,引入一种新的多元统计过程监测工具—多尺度主元分析(Multiscale PCA),并将其应用于炼油生产过程和固定床流向变换催化燃烧过程。完成的具体工作如下:过程数据的预处理(滤波)部分在深入学习小波分析基本理论知识的基础上,借助Matlab语言首先完成了小波分析的基本算法,包括离散小波正变换和反变换;接着分别从小波基、阈值的选择等方面详细讨论了基于阈值决策的小波降噪方法及其应用。在此基础上,探讨了对一般的阈值方法的改进,即平移不变小波变换降噪法。实验证明,应用改进后的方法能更好地逼近真实信号。为实现小波滤波在线化,完成OLMS(On-line Multiscale)filtering 算法,并分别应用于Matlab中的仿真信号和实际化工过程数据。MSPCA应用于统计过程监测部分首先,基本掌握主元分析应用于多元统计过程监测的原理,同时完成NIPALS算法,并计算主元模型和多变量统计控制图(图)。接着,针对PCA单尺度建模的局限性,将小波分析和主元分析综合起来,引入新的监测工具MSPCA,并详细讨论了MSPCA算法及其在多元统计过程监测中的应用,借助Matlab语言完成MSPCA基本算法。最<WP=4>后,将MSPCA应用于三组不同类型的数据或过程:数据间互不相关的高斯随机数组,常减压蒸馏装置的减一线过程数据以及温度周期性变化的流向变换催化燃烧过程,并将监测结果与PCA分析结果做比较。研究表明,与PCA相比,使用MSPCA进行过程监控可以更有效地监测过程的异常状况。Recursive PCA应用于统计过程监测部分为解决PCA固定模型难以适应工业过程统计特性缓慢变化的问题,详细研究了Recursive PCA的基本原理和算法,并借助Matlab语言完成基本的算法程序,包括协方差矩阵的递推计算,利用秩-1修正法进行主元和负荷向量的递推计算,主元个数与控制限的递推计算等等。并通过分析高斯随机数与PCA做比较,结果表明,RPCA更能有效地监测统计特性正常缓慢变化的实际过程。