基于田納西一伊斯曼過程故障檢測(cè)方法研究.pdf

1、多變量統(tǒng)計(jì)過程控制方法(MSPC)已經(jīng)被廣泛地應(yīng)用于關(guān)于化工過程的監(jiān)測(cè)研究，并且得到了專家和學(xué)者們的重視。由于化工過程的監(jiān)測(cè)算法可以通過田納西-伊斯曼(TE)數(shù)據(jù)來驗(yàn)證提出的算法有效性和可行性，美國(guó)Eastman化學(xué)公司的Downs和Voge l根據(jù)該公司一個(gè)實(shí)際的化工聯(lián)合反應(yīng)過程，開發(fā)的TEBe nchmark實(shí)驗(yàn)平臺(tái)，并由該平臺(tái)產(chǎn)生TE數(shù)據(jù)。因此，本論文主要的研究對(duì)象是TE數(shù)據(jù)，針對(duì)復(fù)雜的工業(yè)過程，提出了以下幾種有效的過程監(jiān)測(cè)方法。

2、
　　(1)針對(duì)復(fù)雜工業(yè)過程中的非線性和非高斯信息問題，建立了一種新的基于主成分分析和支持向量數(shù)據(jù)描述(PCA-SVDD)的故障檢測(cè)模型。由于支持向量數(shù)據(jù)描述(SVDD)模型具有不受線性和高斯假設(shè)的限制的優(yōu)點(diǎn)，克服了傳統(tǒng)主成分分析(PCA)統(tǒng)計(jì)檢測(cè)方法假設(shè)過程滿足線性和高斯分布的缺點(diǎn)。首先，應(yīng)用主成分分析法對(duì)過程數(shù)據(jù)進(jìn)行分解，提取出得分矩陣信息。然后，采用支持向量數(shù)據(jù)描述(SVDD)算法對(duì)得分矩陣建立基于距離的統(tǒng)計(jì)量并構(gòu)建其相應(yīng)的

3、統(tǒng)計(jì)限。最后，通過TE數(shù)據(jù)的仿真實(shí)驗(yàn)說明了本章算法的有效性和可行性，而且提高了對(duì)故障的檢測(cè)率。
　　(2)針對(duì)化工過程監(jiān)測(cè)的數(shù)據(jù)可能含有稀疏噪聲的情況。提出了魯棒主成分分析和支持向量數(shù)據(jù)描述(RPCA-SVDD)的故障檢測(cè)模型。由于魯棒主成分分析(RPCA)不僅能從稀疏噪聲污染數(shù)據(jù)中恢復(fù)出低秩矩陣數(shù)據(jù)，而且支持向量數(shù)據(jù)描述(SVDD)算法能克服數(shù)據(jù)滿足線性和高斯假設(shè)的不足。采用加速近端梯度(AP G)算法來實(shí)現(xiàn)對(duì)魯棒主成分分析的求

4、解。最后，通過對(duì)田納西-伊斯曼(TE)仿真實(shí)驗(yàn)證明了該章提出的算法是可行性的。結(jié)果說明了該章提出的算法有效地改善了故障的監(jiān)測(cè)效果。
　　(3)針對(duì)實(shí)際的工業(yè)過程產(chǎn)生的數(shù)據(jù)會(huì)受較大的且稀疏噪聲污染，因此采用傳統(tǒng)主成分分析(PCA)處理此類數(shù)據(jù)效果不佳。低秩矩陣與稀疏分解(LRSD)能夠分解出高維數(shù)據(jù)中反應(yīng)本質(zhì)的低秩矩陣數(shù)據(jù)，且不受到稀疏噪聲影響的優(yōu)點(diǎn)，本章提出了一種基于低秩矩陣與稀疏分解和主元分析(LRSD-PCA)故障檢測(cè)方法。首