论文部分内容阅读
随着化工过程规模的扩大及流程的复杂化，各类化工事故发生的概率也日益增加。另一方面，生产过程中的任何一个操作失误都有可能引起故障，从而影响产品质量、造成经济损失。因此，准确、有效的故障诊断已经成为保证产品质量和工厂稳定运行的关键因素。计算机系统的广泛应用，促进了监控系统存储数据能力的大大提高。这些数据隐含了大量的信息，通过数据分析可以监控过程运行状况，对可能出现的故障做出判断并提出相应的措施，可以大幅度减小事故发生的可能，这就促成数据驱动的多变量统计方法的发展。本文主要研究多变量统计方法中的独立分量分析方法，并针对该方法在故障诊断应用中存在的问题进行深入的研究，主要工作有以下几个方面：1、针对模糊神经网络(FNN)方法在化工过程故障诊断中具有较高的正确率，但是存在运算速度慢、灵敏度低的问题。本文将ICA算法应用到模糊神经网络(FNN)中，提出了基于峰度的模糊神经网络(KFNN)方法，该方法利用ICA算法对这些信息进行特征提取形成独立分量，对这些独立分量用峰度进行降维，提取精练数据，去掉冗余数据，在确保具有较高准确度的情况下，可以提高化工过程故障诊断的运算速度和灵敏度。并应用于酮苯脱蜡的化工过程故障诊断中。2、针对化工生产过程数据具有很强的非线性和多分布性的特点，综合核主元分析（KPCA）具有处理非线性数据的能力和核独立分量分析（KICA）能够有效处理多分布性的能力，提出了双核独立分量分析（DKICA）的化工过程故障诊断算法。该算法首先利用KPCA将数据通过非线性核函数映射到高维特征空间进行白化预处理，然后对白化预处理后的数据利用KICA分析和计算，最后通过在特征空间中构造监控统计量，计算控制置信限，实现对非线性化工过程的监控。提出的DKICA应用在CSTR过程的故障诊断中，结果表明该算法对于提高非线性化工过程故障诊断的快速性，降低漏报率和误报率有明显效果。3、针对将核独立分量分析（KICA）应用到间歇过程时存在数据预估不准确和多模态计算量大的问题，本文提出了一种基于FCM聚类建模的双核独立元分析(FCM-DKICA)间歇过程故障诊断算法。该算法首先针对间歇过程数据进行批次展开与变量展开，然后将展开后的高维数据按聚类模块分类，在对分类后的每一个数据模块应用DKICA提取独立元用于建模，并计算I2和SPE统计量及相应的控制限。将该算法应用于DuPont间歇聚合过程中实现在线故障诊断。仿真结果验证了所提出方法的可行性和有效性，并显示出比KICA更好的诊断效果。