基于多元統(tǒng)計理論的故障檢測與診斷

1、 基于多元統(tǒng)計理論的故障檢測 與診斷 作者： 日期: 碩士學位論文開題報告及論文工作計劃書 課題名稱 基于多元統(tǒng)計理論的故障檢測與診斷 學號 ?姓名 專業(yè) ?學院 導師 副導師 選題時間 015 年 9 月 1 日 中北大學研究生院 2015 年 9 月 19 日 、立論依據(jù) 課題來源、選題依據(jù)和背景情況、課題研究目的、理論意義和實際應用價值 隨著現(xiàn)代化工業(yè)大生產(chǎn)的不斷發(fā)展和科學技術(shù)的進步，現(xiàn)代化生產(chǎn)過程正朝著大型化 , 集成化、復雜化和精細化的方向發(fā)展。由于生產(chǎn)系統(tǒng)結(jié)構(gòu)復雜化 ,系統(tǒng)內(nèi)部的不同部分之間相 互關(guān)聯(lián),相互耦合 ,如果一處發(fā)生異常狀況不能正常工作 ,就可能引起鏈式反應，導致整個生產(chǎn)

2、 過程不能正常運行?，F(xiàn)場工人根據(jù)大量的機器設備和計算機采集到的數(shù)據(jù)判斷出過程異常情 況是很困難的，然而一旦異常的生產(chǎn)情況不能被及時發(fā)現(xiàn)， 及時排除 ,就很可能導致生產(chǎn)中斷， 有時甚至爆炸、有毒物質(zhì)泄漏等事故的發(fā)生，不僅給生產(chǎn)帶來巨大的經(jīng)濟損失，而且還會嚴 重威脅著人身安全，甚至對我們所居住的環(huán)境也會造成嚴重的破壞。近年來災難性生產(chǎn)事故 時有發(fā)生，如 97年美國三里島核電站發(fā)生泄漏，損失幾十億美元。 隨著計算機技術(shù)及各種智能方法的大量涌現(xiàn)及應用 ,過程監(jiān)測或故障檢測和診斷技術(shù) （Fault Dete t n d Diagnosi , ）得到了飛速的發(fā)展。過程監(jiān)測的目標是通過 識別不正常行為來確保

3、過程成功地按計劃運行。這些信息不僅保持系統(tǒng)操作員和維護人員不 斷了解過程的運行狀態(tài)，而且還幫助這些人員做出適當?shù)难a救措施 ,以消除過程的不正常行 為。其結(jié)果是：預防事故，保證人身和設備安全 ;推動設備維修制度的改革，從定時維修向預 知維修轉(zhuǎn)化 ;提高經(jīng)濟效益。 正確的過程監(jiān)測使停產(chǎn)時間最小化， 設備運行的安全性得以改進 , 生產(chǎn)成本得以減少。由此對故障檢測和診斷技術(shù)的研究有著深刻的理論價值和不容忽視的現(xiàn) 實指導意義。 基于多元統(tǒng)計分析的監(jiān)測方法不依賴于精確的數(shù)學模型，充分利用現(xiàn)有的生產(chǎn)過程數(shù)據(jù) 就能夠完成生產(chǎn)過程故障監(jiān)測與診斷。統(tǒng)計過程監(jiān)測方法具有可實現(xiàn)性強,方法簡單等優(yōu)點 , 歷經(jīng)三十年的發(fā)

4、展，取得了一系列矚目的成果 ,并在現(xiàn)代工業(yè)生產(chǎn)中得到了廣泛應用。本課題 研究以田納西伊斯曼過程為背景，一方面對過程故障進行了詳細的分析 , 另一方面使用 PCA 和P方法以及 ICA 和I A 對幾類故障進行了檢測與診斷的研究，并使用核獨立元分 析與簡易支持向量機結(jié)合的方法對故障進行診斷進行了詳細的研究。為進一步降低錯分率， 使用粒子群優(yōu)化簡易支持向量機參數(shù)，進一步提高模型精度 。 、文獻綜述 國內(nèi)外研究現(xiàn)狀、發(fā)展動態(tài) ;所閱文獻的查閱范圍及手段 在工業(yè)故障檢測和診斷上應用的多元統(tǒng)計方法主要有 :PA、獨立成分分析（ ICA） 和支 持向量機 （SVM ）等。而隨著多元統(tǒng)計研究的不斷深入， 學

5、者們提出了很多改進的多元統(tǒng)計方 法。 PCA最早是由 ers于 191年提出的， aGreor提到了幾種 PCA方法在工 業(yè)過程監(jiān)測中的應用。 Leo和 Randy給出了計算每一變量對 T2和 SPE的貢獻的方法，可用來 進行故障識別。 盡管 PCA 在統(tǒng)計過程監(jiān)測中已有很多成功的應用， 但它的應用范圍卻還僅限 在分析變量間具有線性關(guān)系的靜態(tài)數(shù)據(jù)中。為了將 CA 推廣到更廣闊的應用范圍，又有學 者將核主元分析（ KCA ）、并將其應用于非線性過程。 KPA 將原始數(shù)據(jù)空間映射到高維 空間，再進行 PC處理。實際故障診斷效果表明 , C較 C來說有更好的故障診斷效 果。而大多數(shù)工業(yè)過程屬于間歇過

6、程，或者動態(tài)過程 ,Le、Chn 等人分別提出多向主元分 析（MPCA） 6和動態(tài)主元分析（ D C）方法，分別應用于間歇過程和動態(tài)過程中，有不錯 的故障檢測和診斷效果 ,目前仍有學者不斷對這些方法進行了改進,如 abara Eb re Patric等人提出了 CKA方法,并以 TE過程為仿真平臺 ,仿真表明了其很好的故障 檢測和診斷效果。又由于工業(yè)過程中數(shù)據(jù)分布問題， L將用于盲源分離的 ICA 方法也被 引入到過程監(jiān)控和故障診斷中來 ,解決了檢測數(shù)據(jù)分布的非高斯性問題 ,在故障檢測和診斷效 果上較 CA 方法更為優(yōu)越 ,說明其有更好的適用條件。同 P一樣，為了使 ICA 應用于非 線性過程

7、,隨后又有學者提出了 ICA 的擴展方法：核獨立成分分析 （IA）。KCA 方法在 T 過程仿真中，對于某些 IC未能有較高檢測率的故障 ,IA 卻有相對高的故障檢測率 ,由 于要用核函數(shù)映射到高維空間 ,計算時間大大增加。 在 203 年 N. Vi hwantha等人提出并實現(xiàn)的一種新的計算支持向量的方 法簡易支持向量機（ Smle SM，SVM） 。采用迭代工作集支持向量的算法，具有 效率高、速度快和存儲數(shù)據(jù)量小等獨特特點。與在全體數(shù)據(jù)中運用相同處理過程的傳統(tǒng) SVM 相比,這種方法能大大減少計算時間。 粒子群優(yōu)化算法 （Particle Sw rm Otiiatio，簡 稱 P ）是于

8、 199年美國的 K nned和 Eerhart 受鳥群覓食行為的啟發(fā)在 EEE International onference n Nu l Ntwor上提出的。這是一種基于群智能的演化 計算方法的啟發(fā)式全局優(yōu)化技術(shù)。由于 SO 算法簡單 ,易于實現(xiàn)，無需梯度信息，參數(shù)少， 所以短期內(nèi)得到很大發(fā)展，迅速地得到了國際演化計算研究領(lǐng)域的認可。 關(guān)于此類問題的文獻主要為學術(shù)論文與期刊 ,可以從圖書館提供的檢索系統(tǒng)和相關(guān)網(wǎng)站 上的科技期刊中查閱得到 ,查找范圍可以是基于數(shù)據(jù)分析的故障診斷類文章 ,關(guān)鍵詞為 CA 、 CA 、SVM 等。另外還可以參考實驗室往年本課題的有關(guān)資料。 三、研究內(nèi)容 .研究

9、構(gòu)想與思路、主要研究內(nèi)容及擬解決的關(guān)鍵技術(shù) 本課題研究的構(gòu)想與思路主要如下 : ）采用核獨立元分析 （KI A）方法，對田納西伊斯曼過程數(shù)據(jù)進行了故障檢測和診斷， 并與基本的主元分析 （PCA） 等算法進行了對比研究。仿真結(jié)果表明，能夠提取非線性主元的 核獨立元分析方法具有較好的故障檢測和診斷效果。 2）在引入簡易支持向量機的同時 ,采用了基于核獨立元分析和簡易支持向量機結(jié)合的故 障診斷方法。 利用核獨立元分析提取故障數(shù)據(jù)的非線性獨立元 ,然后用簡易支持向量機建立故 障診斷模型，降低了故障診斷的錯分率。 3）針對簡易支持向量機方法的模型參數(shù)選擇對模型的精度有很大影響的問題，采用粒子 群算法對簡

10、易支持向量機模型參數(shù)進行優(yōu)化。 并通過對故障的深入研究 ,提取主要變量 ,然后采 用 KCA- VM 方法進行仿真實驗 ,大大降低了故障診斷的錯分率，表明該方法具有很好 的故障診斷效果。 本課題的主要研究內(nèi)容有 :以統(tǒng)計理論在過程監(jiān)測中的應用為基礎 ,主要對核獨立元分析 和支持向量機方法在過程檢測和診斷中的應用進行了深入研究。利用核獨立元分析方法提取 出過程數(shù)據(jù)的非線性特征。然后將提取出來的非線性特征使用T2和 SPE控制圖的控制限 ,監(jiān) 測過程變量質(zhì)量 ,檢測是否在控制線以內(nèi)。 一旦所采集數(shù)據(jù)超出了所設定的指標 ,就需要進行故 障診斷，準確的定位故障。由于支持向量機對樣本的適應性強 ,而且用

11、適當?shù)纳倭繕颖揪涂梢?建立起精度較高的預測模型來 ,所以在工業(yè)過程監(jiān)測領(lǐng)域有著很好的應用前景。 針對工業(yè)過程 數(shù)據(jù)具有冗余性和復雜性 ,采用基于核獨立元分析的簡易支持向量機方法 ,可以利用核獨立元 分析對數(shù)據(jù)進行核變換 ,將低維空間非線性數(shù)據(jù)映射到高維空間 ,變?yōu)榫€性數(shù)據(jù) ,再進行獨立元 分析，這樣能降低樣本空間的維數(shù)，消除數(shù)據(jù)的相關(guān)性 ,這些包含主要信息的特征向量作為簡 易支持向量機的輸入 ,利用簡易支持向量機進行訓練，建立故障識別模型。對參數(shù)選取方面 引入了粒子群優(yōu)化方法 ,但是效果有一定的局限性 ,并沒有實質(zhì)性降低故障錯分率。 經(jīng)過變量選 取，找到能夠代表數(shù)據(jù)特征的幾個主要變量進行仿真實

12、驗時，錯分率才大大降低。在如何減 少對故障的無用信息數(shù)據(jù)方面可以做進一步的研究 ,效果更明顯一些。 擬采取的研究方法、技術(shù)路線、實施方案及可行性分析 本課題將采取“理論分析設計方案仿真實驗結(jié)果分析”的方法進行研究 緊密結(jié)合實際 ,既要注重理論研究成果 ,同時也注重解決實際問題。 本課題采用的技術(shù)路線及實施方案是在統(tǒng)計過程理論基礎上設計算法，并結(jié)合過程數(shù)據(jù) 使用 MAT 工具進行仿真實驗。 對于過程故障檢測與診斷來說 ,如何消除數(shù)據(jù)之間的相關(guān)性及如何提高數(shù)據(jù)質(zhì)量是取得 好的效果的前提。本文首先分 2 種情況進行過程故障檢測與診斷做了對比，分別是（）不 經(jīng)任何特征提取處理就用 VM 進行故障檢測與診斷；（ 2）用線性特征提取方法 ICA 進行 特征提取然后用 SSVM 進行故障檢測與診斷 ;之后才用粒子群優(yōu)化簡易支持向量機參數(shù)方法 和變量提取方法分別建立故障檢測與診斷模型，取得了較好效果。 四、研究基礎 1所需實驗手段、研究條件和實驗條件 本課題主要采取理論研究形式 , 并采用計算機仿真進行實驗。 2所需經(jīng)費，包含經(jīng)費來源、開支預算（工程設備、材料須填寫名稱、規(guī)格、數(shù)量） 所需經(jīng)費由導師提供