论文部分内容阅读
现代流程工业具有规模大、复杂性高、变量多且耦合性强等特点,使得生产过程发生事故的可能性增大。为了获得稳定、持续的高质量产品,对这些设备进行早期、准确的故障检测与诊断是必需的。针对流程工业过程对象的特点,本文以田纳西-伊斯曼过程为对象,以独立分量分析算法提取的独立分量为基础,实现对该过程进行监控的目的。本文所作的主要工作如下:(1)针对流程工业的采样数据不一定服从正态分布的特点,利用独立分量分析(ICA)算法对系统性能进行监控就可以避免数据服从正态分布的假定。通过独立分量分析算法提取正常工况下的独立分量并构成特征子空间,进一步以过程变量在该空间上投影系数矩阵的变化被作为监控指标对系统性能进行监控。由Tennessee-Eastman过程的仿真研究表明,该算法是可行的,能够较早地检测出故障的发生。(2)ICA中的各独立分量没有重要程度的差别,对于实际工业过程而言,一般并不能确切知道独立分量的个数,而目前也没有较好的方法确定最优的独立分量的个数。本文中首先利用应用方面比较成熟的主元分析(PCA)方法对数据进行降维,再对降维后的数据进行ICA分析,避免了ICA中确定独立分量个数的问题。由Tennessee-Eastman过程的数据重构表明该方法得到的独立分量保留了原数据的信息。(3)典型的工业过程的测量数据是自相关的,当前时刻的测量与先前时刻的测量并不是独立的,实际上它们构成时间序列。考虑到这些测量数据的动态特性,提出一种基于动态独立分量分析(DICA)的系统性能监控算法,这就解决了传统ICA静态建模的问题。利用DICA对Tennessee-Eastman过程的进行性能监测,获得了较满意的结果。(4)探讨了一种基于多参数的故障状态检测方法。该方法从现场实际检测的时间序列中提取出系统的数字特征,并由这些特征值构成表征运行状态的状态矩阵,通过各矩阵之间的距离进而识别出系统的运行状态或故障类型。Tennessee-Eastman仿真表明状态矩阵对不同的运行状态具有较好的区分性。最后,通过对研究工作的总结,提出有待研究的课题及今后工作的重点。