基于多元統(tǒng)計分析的非高斯過程的故障診斷.pdf

1、本文研究數(shù)據(jù)驅(qū)動的工業(yè)過程監(jiān)控和故障診斷技術(shù)，主要針對多元統(tǒng)計方法和非高斯問題的若干缺點和該領(lǐng)域的一些難題，提出了相應的解決方案，以TE過程為主要實驗對象，驗證了所提方法的有效性和優(yōu)越性。
　　 傳統(tǒng)的非線性方法如KPCA和KICA都是靜態(tài)的，沒有考慮過程的動態(tài)特性，而且沒有變量貢獻分析方法用于故障診斷。所以，本文提出了核動態(tài)獨立成分分析(KDICA)，該方法將自回歸模型、核變換同獨立成分分析結(jié)合起來，實現(xiàn)對非線性非高斯動態(tài)過程

2、的監(jiān)控。接著提出了基于分步思想的變量貢獻分析方法用于故障診斷。這里，自回歸模型階次，即過程動態(tài)階次，是利用高階累積量辨識確定的，能夠有效抑制高斯噪聲的影響。
　　 很多實際過程同時包含高斯特性和非高斯特性，伴隨著非線性和動態(tài)性，并且傳統(tǒng)的非線性方法對于微小故障的檢測和診斷效果很不理想。為此，本文提出了動態(tài)核獨立成分分析-主成分分析(DKICA-PCA)，該方法利用自回歸模型來獲取過程動態(tài)特性，通過兩步法分別提取過程的非高斯特征和

3、高斯特征。值得注意的是，此處動態(tài)階次不是利用前面提到的高階累積量辨識的方法確定的，因為高階累積量方法只適用于非高斯過程。在這里提出了一種通過計算核矩陣特征值的自動確定過程動態(tài)階次的方法，該方法對線性和非線性自回歸模型都是有效的。為了進一步提高檢測的穩(wěn)定性和檢測/診斷微小故障的能力，在DKICA-PCA的基礎(chǔ)上，又利用指數(shù)加權(quán)滑動平均(EWMA)濾波提出了動態(tài)濾波核獨立成分分析-主成分分析(DFKICA-PCA)，最后提出了基于指標偏導數(shù)

4、的非線性變量貢獻分析用于故障診斷。
　　 特征選取和維度縮減，尤其是在非線性過程和高斯特性與菲高斯特性并存的過程中，是過程監(jiān)控和故障診斷的一大難題，這是因為ICA算法得到的獨立成分都具有單位方差，不能像PCA算法得到的主成分那樣按方差大小排序，而且，即使通過其它方法如非高斯性大小對獨立成分排序，獨立成分和主成分也不具有可比性。為此，本文提出了一種計算獨立成分方差的方法(VIC)，該方差和主成分的方差有相同的物理意義。而且，本文還

5、提出了一種平均值和相對變化值聯(lián)合準則(AE&RVE)來更好地確定特征的選擇限。使用VIC和AE&RVE，可以得到新的KICA方法，能夠?qū)崿F(xiàn)非高斯特征與高斯特征的可比較性選擇以及全新的KICA-PCA。值得注意的是，該特征選擇和維度縮減方法同樣適用于線性過程。
　　 所有傳統(tǒng)PCA相關(guān)的方法都只利用了低階統(tǒng)計信息且只對過程低階統(tǒng)計信息進行監(jiān)測，所有傳統(tǒng)ICA相關(guān)的方法雖然利用了高階統(tǒng)計信息提取了獨立成分，但也只是對過程的低階統(tǒng)計信