论文部分内容阅读
随着社会的发展,复杂化工过程的监测和故障诊断愈来愈受到国内外研究学者的重视,如何有效地可视化故障诊断结果逐渐成为这一领域内的重要课题。自组织特征映射网络(Self-Orangization Map,简称SOM)可以保持输入数据集的拓扑结构和密度分布不变,并将这些数据映射到输出平面上,使同类数据聚集在一起,因此能够实现故障诊断的可视化。然而,目前化工过程数据各变量间的关系十分复杂,单一的SOM算法不能满足要求。针对这一问题,本文提出两种特征变量与多层SOM相结合的算法,并将其应用于田纳西-伊斯曼(Tennessee Eastman,简称TE)过程监控与故障诊断中,以提高故障诊断的准确率、可视化效果以及可诊断故障类型个数。具体研究如下：(1)提出基于多层SOM和规范变量分析法(CVA)的故障诊断方法。规范变量分析法是一种典型的线性降维技术,它的原理是最大化两个变量集间的相关度。基于提取的规范变量,高维复杂的过程数据被降到低维空间,使得SOM网络的映射结果有了很大的改善。同时,利用多层SOM网络,使得各种故障能够在所有叶平面上区分清楚。(2)提出基于多层SOM和统计量模式分析(SPA)的故障诊断方法。统计模式分析是一种新的数据变换方式,即对原始数据样本进行各阶统计量的计算。由于高阶统计信息的引入,使得这种方法可以更加准确地描述过程的运行状态,再利用多层SOM网络映射聚类结果。(3)以TE过程作为研究对象,对上述两种改进的基于多层SOM网络的故障诊断方法进行有效性验证,实验结果表明：特征变量与多层SOM网络相结合的方法与应用生长型分级SOM模型(GHSOM)方法具有相同的诊断结果,但前者的结果更加清晰明了。本文提出的这两种方法能够很大程度改善故障诊断的可视化结果,不仅在故障诊断的正确率上有所提高,而且能够适用于更多类型的故障,同时也可以实现复杂化工过程的实时监控。