论文部分内容阅读
随着科学技术和社会生产力的发展,现代工业日趋大型化和复杂化,对系统安全性与可靠性的要求也越来越高。工业计算机系统记录了大量的工业过程数据,为基于数据驱动的故障诊断方法提供了研究基础。本文针对流程工业过程存在的多工况特点,以局部学习策略为框架,研究基于改进独立元分析(Independent Component Analysis,ICA)的多工况过程故障诊断方法。本文的主要研究工作如下:首先,针对多工况工业过程故障诊断问题,提出一种基于6)最近邻标准化的独立元分析(6)Nearest Neighbor ICA,KNNICA)方法。该方法在6)最近邻域内对多工况数据进行标准化,消除数据的多工况差异,并针对单一工况数据建立ICA模型检测过程故障。在连续搅拌反应釜(Continuous Stirred Tank Reactor,CSTR)和田纳斯-伊斯曼(Tennessee Eastman,TE)多工况过程上的仿真结果显示,KNNICA能够有效地检测多工况过程故障。然后,针对多工况过程监控中的统计信息提取问题,提出两种改进的独立元分析方法:局部熵独立元分析(Local Entropy ICA,LEICA)和局部统计量独立元分析(Local Statistics ICA,LSICA)两种方法。LEICA将局部学习策略引入信息熵理论,利用局部概率密度估计方法来消除操作数据的多工况差异,并通过计算过程数据的局部信息熵,提取过程的统计特征信息。统计模式分析(Statistics Pattern Analysis,SPA)也是一种有效的统计信息提取手段,LSICA将局部概率密度估计与SPA结合处理多工况过程数据,在局部统计量空间建立ICA成分统计模型监测过程运行状态。在TE和CSTR过程上的仿真结果证明,与传统ICA方法和KNNICA方法相比,LEICA和LSICA具有更好的过程监控性能。最后,针对包含过渡工况的多工况过程故障监控问题,提出一种基于加权距离空间的独立元分析(Weighted Distance Space ICA,WDSICA)方法。该方法采用滑动窗技术对多工况过程进行分割,将数据从原始变量空间映射到加权距离变量空间,消除包含过渡工况在内的多工况差异;利用ICA方法在距离变量空间建立成分统计模型,构造监控统计量检测过程故障。最后利用一个基于CSTR多工况系统的监控案例来验证方法的有效性。