本文關(guān)鍵詞：多工況過(guò)程監(jiān)控中的概率主元分析方法研究

  更多相關(guān)文章： 過(guò)程監(jiān)控 多工況過(guò)程 概率主元分析 EM算法 變分貝葉斯方法

【摘要】：由于現(xiàn)代工業(yè)生產(chǎn)的特點(diǎn)與人們物質(zhì)生活的需求,工業(yè)生產(chǎn)過(guò)程不僅僅只是單一工況,而是包含了多個(gè)穩(wěn)定的工況。傳統(tǒng)的多變量統(tǒng)計(jì)監(jiān)控方法如果直接運(yùn)用到這種多工況過(guò)程中,可能會(huì)產(chǎn)生故障的漏報(bào),嚴(yán)重的會(huì)造成人員傷亡與經(jīng)濟(jì)損失。多模型方法作為一種普遍應(yīng)用于多工況過(guò)程監(jiān)控領(lǐng)域的方法,其原理易于理解,目的在于使建立的子模型符合每個(gè)工況的特征,是一種能夠有效監(jiān)控過(guò)程故障的方法。 本文以多變量統(tǒng)計(jì)方法中的PCA方法為基礎(chǔ),使用混合概率PCA模型對(duì)多工況過(guò)程進(jìn)行建模,并將混合概率PCA模型應(yīng)用于TE過(guò)程與CSTR過(guò)程中。主要內(nèi)容如下： (1)首先闡述了本文的基礎(chǔ)——基于PCA的監(jiān)控方法,進(jìn)而對(duì)PPCA模型的相關(guān)知識(shí)進(jìn)行了研究,并對(duì)其中EM算法的估計(jì)機(jī)制進(jìn)行了分析。為了符合多模型這一特點(diǎn),詳細(xì)闡述了PPCA擴(kuò)展為MPPCA的過(guò)程,并且構(gòu)造基于MPPCA模型方法的監(jiān)控統(tǒng)計(jì)量。 (2)在EM算法的基礎(chǔ)上,使用變分貝葉斯方法對(duì)MPPCA模型進(jìn)行估計(jì)參數(shù),充分利用數(shù)據(jù)的先驗(yàn)知識(shí)。在原有算法的基礎(chǔ)上,將參數(shù)看做隨機(jī)變量,使用超參數(shù)描述參數(shù)的概率分布,最終估計(jì)出合適的參數(shù)。最后使用變分貝葉斯方法對(duì)一組環(huán)形數(shù)據(jù)進(jìn)行建模仿真,可以得出該方法可有效建立多個(gè)子模型。 (3)將MPPCA模型的兩種建模方法(EM算法與變分貝葉斯方法)應(yīng)用于TE過(guò)程與CSTR過(guò)程中,計(jì)算各子模型的監(jiān)控統(tǒng)計(jì)量,使用貝葉斯推斷整合多個(gè)模型的監(jiān)控結(jié)果,通過(guò)仿真結(jié)果的比較,驗(yàn)證了兩種方法的有效性。
【關(guān)鍵詞】：過(guò)程監(jiān)控 多工況過(guò)程 概率主元分析 EM算法 變分貝葉斯方法
【學(xué)位授予單位】：華東理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：O212
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-20
• 1.1 引言9-10
• 1.2 過(guò)程監(jiān)控概述10-11
• 1.2.1 過(guò)程監(jiān)控的對(duì)象10-11
• 1.2.2 過(guò)程監(jiān)控的步驟11
• 1.3 過(guò)程監(jiān)控的方法11-15
• 1.3.1 基于定量模型的方法11-12
• 1.3.2 基于知識(shí)的方法12-14
• 1.3.3 基于數(shù)據(jù)驅(qū)動(dòng)的方法14-15
• 1.4 統(tǒng)計(jì)過(guò)程監(jiān)控的研究現(xiàn)狀15-16
• 1.4.1 單變量統(tǒng)計(jì)過(guò)程監(jiān)控15
• 1.4.2 多變量統(tǒng)計(jì)過(guò)程監(jiān)控15-16
• 1.5 工業(yè)過(guò)程監(jiān)控分類16-18
• 1.5.1 多工況過(guò)程監(jiān)控16-18
• 1.5.2 多階段過(guò)程監(jiān)控18
• 1.5.3 非線性過(guò)程監(jiān)控18
• 1.5.4 間歇過(guò)程監(jiān)控18
• 1.6 本文的結(jié)構(gòu)18-20
• 第2章 概率主元分析方法20-35
• 2.1 基于主元分析的統(tǒng)計(jì)過(guò)程監(jiān)控20-23
• 2.1.1 主元分析算法20-21
• 2.1.2 主元個(gè)數(shù)的確定21-23
• 2.2 概率主成分分析模型23-30
• 2.2.1 模型描述23-25
• 2.2.2 PPCA的EM算法25-29
• 2.2.3 PPCA的監(jiān)控方法29-30
• 2.3 混合主元分析模型30-33
• 2.3.1 混合主元分析模型描述30-32
• 2.3.2 MPPCA的EM算法32-33
• 2.4 本章小節(jié)33-35
• 第3章 基于變分貝葉斯方法的MPPCA模型估計(jì)35-47
• 3.1 變分貝葉斯方法概述35-36
• 3.2 變分貝葉斯理論36-39
• 3.2.1 變分貝葉斯學(xué)習(xí)規(guī)律36-38
• 3.2.2 平均場(chǎng)理論38-39
• 3.3 變分貝葉斯方法估計(jì)MPPCA模型39-45
• 3.3.1 MPPCA模型的先驗(yàn)分布40-42
• 3.3.2 變分貝葉斯估計(jì)過(guò)程42-45
• 3.4 變分貝葉斯建模方法的應(yīng)用45-46
• 3.5 本章小結(jié)46-47
• 第4章 MPPCA模型在TE過(guò)程中的應(yīng)用47-58
• 4.1 MPPCA模型的監(jiān)控方法概述47
• 4.2 貝葉斯推斷47-48
• 4.3 MPPCA方法用于監(jiān)控多工況過(guò)程48-53
• 4.3.1 TE過(guò)程48-50
• 4.3.2 TE過(guò)程變量與故障50-53
• 4.4 MPPCA方法在TE過(guò)程中的應(yīng)用53-57
• 4.5 本章小結(jié)57-58
• 第5章 MPPCA模型在CSTR過(guò)程中的應(yīng)用58-64
• 5.1 CSTR過(guò)程簡(jiǎn)介58
• 5.2 CSTR工藝過(guò)程58-60
• 5.2.1 CSTR反應(yīng)過(guò)程58-59
• 5.2.2 CSTR過(guò)程的工況與變量59-60
• 5.3 MPPCA模型應(yīng)用于CSTR過(guò)程60-63
• 5.4 本章小結(jié)63-64
• 第6章 總結(jié)與展望64-65
• 參考文獻(xiàn)65-71
• 致謝71-72
• 作者在攻讀碩士學(xué)位期間取得的成果72

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 牛征,劉吉臻,牛玉廣;動(dòng)態(tài)多主元模型故障檢測(cè)方法在變工況過(guò)程中的應(yīng)用[J];動(dòng)力工程;2005年04期

2 陳勇,梁軍,陸浩;基于PCA的多變量控制系統(tǒng)的故障監(jiān)測(cè)與診斷[J];工程設(shè)計(jì)學(xué)報(bào)(機(jī)械·設(shè)備和儀器的開(kāi)發(fā)技術(shù));2002年05期

3 孫大飛,陳志國(guó),劉文舉;基于EM算法的極大似然參數(shù)估計(jì)探討[J];河南大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年04期

4 王再英;金晶;;保持型仿人PID在溫度控制中的應(yīng)用[J];化工自動(dòng)化及儀表;2010年12期

5 劉直芳,游志勝,王運(yùn)瓊;基于概率主成分分析的人臉識(shí)別[J];紅外與激光工程;2004年01期

6 卿湘運(yùn);王行愚;;子空間聚類的非參數(shù)模型及變分貝葉斯學(xué)習(xí)[J];計(jì)算機(jī)學(xué)報(bào);2007年08期

7 楊沛武;劉飛;;基于動(dòng)態(tài)概率主元分析的統(tǒng)計(jì)過(guò)程監(jiān)測(cè)[J];計(jì)算機(jī)與應(yīng)用化學(xué);2008年04期

8 李曉理,王偉,孫維;多模型自適應(yīng)控制[J];控制與決策;2000年04期

9 譚帥;王福利;彭俊;石懷濤;;多模態(tài)過(guò)程中新模態(tài)過(guò)程建模方法[J];控制與決策;2012年08期

10 周東華;孫優(yōu)賢;席裕庚;張鐘俊;;一類非線性系統(tǒng)參數(shù)偏差型故障的實(shí)時(shí)檢測(cè)與診斷[J];自動(dòng)化學(xué)報(bào);1993年02期

，

本文編號(hào)：1120288