论文部分内容阅读
数据驱动模型是解决故障检测与诊断问题的有效方法,特别是针对复杂化工过程控制与检测方面问题;其中,多元统计分析法已经成为数据驱动模型在复杂故障检测领域应用较广泛地一类。本研究课题的主要内容是针对复杂多变量化工过程领域的故障检测与诊断方法研究,并通过田纳西-伊斯曼(TE)模拟仿真平台对所提出的方法进行仿真验证分析。因此,本论文所采用数据均由TE平台生成并采集,并通过所提出的以下两种方法进行有效性验证阐述。针对复杂化工过程通常具有时间动态特性和非线性,且过程数据表现为自相关性和互相关性,提出了一种动态独立成分分析和支持向量数据描述(DICA-SVDD)的过程故障检测模型。首先,构造含有时间延迟变量l的动态增广矩阵,利用独立成分分析(ICA)算法应用于动态增广矩阵,进而得到过程数据的动态独立成分;然后,将得到的动态独立成分应用于支持向量数据描述(SVDD)算法,从而构建相应的统计限和统计量,实现在线过程故障检测;最后,进行田纳西-伊斯曼(TE)过程平台的数值仿真实验分析,验证所提出模型的有效性。并与原有基于主成分分析(PCA)法故障检测模型的检测结果对比分析,比较结果表明:所提出检测模型较基于PCA算法故障检测模型的性能更优,验证了所提出检测模型的有效性。工业系统过程往往具有过程变量多的特点,当故障发生时如何能在第一时间定位出主要异常突变变量,已成为工业过程故障诊断方面的首要问题。针对这个问题,提出了一种基于独立成分分析和主成分分析(ICA-PCA)以及最小绝对收缩和选择算子(Lasso)回归算法的过程故障检测与诊断的集成模型。首先,利用ICA-PCA方法提取过程数据的高斯信号和非高斯信号,进一步构造I~2、T~2以及SPE统计量并确定其相对应的统计限,检测出过程故障产生时间,实现过程检测;然后,利用故障检测获得的故障信息,进而建立基于Lasso回归算法的故障诊断模型,定位并选择出故障发生时的主要异常变量,实现故障诊断。最后,对TE过程数据进行了仿真分析,并与分布式PCA贡献图法的诊断结果进行了对比分析,结果对比分析表明所提出的方法是有效和可行的。