论文部分内容阅读
基于主元分析(PCA)的故障检测与诊断方法是故障监测领域的一个重要研究分支,该方法不依赖于数学模型,能与计算机技术紧密结合,具有重要的理论和应用价值。但是由于连续生产过程的特点及其变量间相关性处理的复杂性,使得基于PCA的多元统计过程监测从理论方法到实际应用,都还有许多问题有待研究解决。本文在总结故障监测技术研究进展的基础上,针对基于PCA的故障检测与诊断方法应用中的一些问题做了如下工作:(1)鉴于建模历史数据中存在的异常点会影响过程监控效果,在总结目前常用的鲁棒异常值检测算法原理及其缺陷的基础上,将中心最短距离(CDC)法和椭球多变量整理(MVT)法相结合构成一种基于鲁棒尺度的CDC-MVT异常值综合检测算法,能够更加准确地检测到异常点,进行的工业实例研究也验证了该算法的准确性和有效性。(2)针对传统基于PCA的故障检测算法的检测结果存在无明确定论的缺陷,通过对主元模型的两个检验统计量的含义进行深入分析,提出把Q统计量中与主元显著相关的过程变量分离出来,并形成新的统计量,然后和T2统计量配合进行检验。仿真监控结果表明该改进算法比传统基于T2和Q统计量的故障检测算法更有效。(3)鉴于累积方差贡献率确定主元数未综合考虑故障信息且主观性较大的缺陷,在综合考察累积方差贡献率和复相关系数特点的基础上,提出一种基于累积方差贡献率(CPV)结合复相关系数(MCC)共同确定监控模型主元数的新方法,并将其用于故障检测改进算法中。应用研究结果表明该方法能够确保主元空间的信息存量。(4)针对利用变量贡献率只能够实施定性的故障诊断,以及基于SPE的信息重构故障诊断方法只利用了残差空间信息的局限性,通过对基于T2统计量的故障重构技术进行研究,将其用于故障诊断,对双效蒸发器过程进行的故障诊断仿真表明,该算法能够有效地找到故障源。最后在总结全文的基础上讨论了相关研究的发展前景。