基于MSPCA-KECA的工業(yè)過程故障監(jiān)測與診斷算法研究.pdf

1、隨著工業(yè)自動化水平的不斷提高，各種智能儀表及分布式控制系統(tǒng)在實際工業(yè)過程中得到了廣泛的應用，與此同時，反映過程運行狀況的海量數(shù)據(jù)被采集并保存下來。因此，利用過程歷史數(shù)據(jù)進行建模，提取正常運行狀況下及已知故障發(fā)生時的統(tǒng)計規(guī)律，進而實現(xiàn)對當前過程的監(jiān)測及故障診斷，成為了故障檢測與診斷技術的一個研究熱點。然而，由于工業(yè)過程的自動化系統(tǒng)規(guī)模大且復雜，這些數(shù)據(jù)都具有數(shù)據(jù)分布不確定性、非線性、多尺度性等特點，傳統(tǒng)的多元統(tǒng)計監(jiān)測方法大都對過程數(shù)據(jù)進行

2、了理想化的假設，因此具有一定的局限性。本文針對工業(yè)過程的一些實際問題，對傳統(tǒng)的多元統(tǒng)計監(jiān)測技術進行改進，并提出一種基于MSPCA-KECA的過程故障監(jiān)測及診斷算法，有效解決過程數(shù)據(jù)存在的多尺度、非線性及數(shù)據(jù)分布不確定等問題。本文主要研究的內容概括如下：
　　1）針對過程數(shù)據(jù)的非線性及數(shù)據(jù)分布的不確定性，提出一種基于核熵成分分析（Kernel Entropy Component Analysis, KECA）的故障監(jiān)測方法。該方法基

3、于數(shù)據(jù)直接展開分析而不需要對數(shù)據(jù)分布進行假設，核方法的引入可以有效解決數(shù)據(jù)非線性問題，并且在將數(shù)據(jù)降維的過程中按照熵值大小提取特征，有效減少主元個數(shù)，減小后期計算量。同時，經 KECA降維后的數(shù)據(jù)分布呈現(xiàn)一定的角度結構，基于此，引入一種新的統(tǒng)計量——CS（Cauchy-Schwarz）散度測度統(tǒng)計量。該統(tǒng)計量與KECA提取出特征數(shù)據(jù)的角度結構相得益彰，相比傳統(tǒng)方法及其統(tǒng)計量，其在故障監(jiān)測方面有更好的表現(xiàn)。
　　2）針對過程數(shù)據(jù)的多

4、尺度性，提出一種改進的多尺度主元分析（ Multi-scale Principle Component Analysis, MSPCA）數(shù)據(jù)預處理方法。當故障發(fā)生的時間、位置及大小不同時，其體現(xiàn)在過程變量上的變化也不盡相同，其過程數(shù)據(jù)就表現(xiàn)為多尺度性。將數(shù)據(jù)進行小波多尺度分解，運用主元分析方法篩選出故障可能存在的尺度，將其重構并再次運用主元分析方法實現(xiàn)特征提取。仿真結果表明，該方法能夠有效提取數(shù)據(jù)多尺度信息，突出變量的變化。
　　

5、3）將MSPCA與KECA結合，提出一種故障診斷新策略。一方面，經過預處理后的數(shù)據(jù)，過程的特征信息更加突出，有利于故障監(jiān)測及診斷；另一方面，KECA作為單一分類器，即每一個單一分類器對應診斷一種故障，具有模型簡單、運算速度快、故障識別率高、更新方便等優(yōu)點。將該算法分別應用于 TE（Tennessee Eastman）過程和ASHRAE1043-RP冷水機組過程，仿真結果表明該算法具有較好的實用價值。同時，在對冷水機組過程進行仿真分析時，