论文部分内容阅读
由于现代复杂工业过程系统的规模日益壮大,工业生产过程设备、系统结构以及复杂度也在不断提升,外界扰动、非线性、系统不确定性等问题也会随之产生,若此类复杂系统发生故障,会造成经济损失或人员伤亡,所以对工业系统采取一定的故障诊断来保证工业系统的可靠性与安全性是必须的。工业过程故障诊断早期是在对系统的过程机理已知的前提下,通过建立系统的模型来实现对系统自身的故障诊断,其效果较好。然而在相对复杂的工业过程系统中,较为准确的机理模型的建立是尤为困难的。由于复杂工业过程系统中包含了庞大的过程数据,这些数据分别是在线采集数据和离线保存数据,工业过程系统的运行特征与规律会由这些过程数据统统呈现出来,那么采用合适的方法对数据进行分析是故障诊断的可行方向之一。本文主要采用的是数据驱动的过程故障诊断方法,尤其在复杂工业过程系统中,此法可以精准迅速地检测出故障,并对故障进行分析识别进而分类隔离和修复来保证系统的稳定安全运行。本文主要针对故障诊断的一些方法进行研究,具体包括以下几个方面:(1)复杂工业过程系统中的故障模型是多样的、动态的,而且具有不确定的故障特征,本文提出了改进的证据更新的动态故障诊断算法,并结合人工智能方法应用到丁二烯生产过程故障诊断系统中。通过实验的诊断结果分析,并同原始证据理论和模糊推理方法进行对比,得出了改进的证据更新规则在工业生产动态故障诊断领域中,具有更好地应用优势,并发挥了重要作用。(2)考虑到工业过程系统中产生的大量数据及其非线性特征,提出了一种改进的快速独立成分分析匹配字符串的故障诊断方法(CICA)。以改进的快速ICA算法为基础,将识别出的故障类型用字符串表示,从而将故障类型的识别问题转换为字符串匹配问题,字符串匹配方法只依靠数据驱动,不需要建立任何模型,应用起来极为便捷,最后进行实验研究,研究结果证明了CICA方法的可行性和有效性。(3)鉴于复杂工业过程系统的非线性、多回路、强耦合和复杂操作等因素,导致的复杂工业过程系统故障诊断的难度提高,提出了一种基于新型的独立成分分析结合改进的加权支持向量机的故障诊断方法(CICA-WSVM)。CICA-WSVM集成算法能够提高故障诊断的精确度。通过实验并对实验结果进行分析比对,可以得出CICA-WSVM集成的故障诊断方法是可行的、有效的,并为工业过程故障诊断提供了新的工具。