本文選題：故障檢測(cè)　切入點(diǎn)：關(guān)鍵性能指標(biāo)　出處：《渤海大學(xué)》2017年碩士論文

【摘要】：隨著對(duì)工業(yè)生產(chǎn)系統(tǒng)中魯棒性需求的不斷增加,工業(yè)系統(tǒng)中的基于數(shù)據(jù)的過(guò)程監(jiān)控技術(shù)已成為學(xué)術(shù)界的熱門課題。這種基于數(shù)據(jù)的監(jiān)控技術(shù)能夠快速準(zhǔn)確地檢測(cè)出工業(yè)過(guò)程中所存在的故障,并加以處理來(lái)保證系統(tǒng)的穩(wěn)定性。然而,研究報(bào)告和工業(yè)反饋顯示并非所有過(guò)程故障都會(huì)影響產(chǎn)品質(zhì)量。如若忽略某些不必要的報(bào)警,可以減少檢修時(shí)間和人力,提高生產(chǎn)效率。基于此,一種新型的故障檢測(cè)方法應(yīng)運(yùn)而生,即關(guān)鍵性能指標(biāo)(Key Performance Indicators,KPI)相關(guān)的故障檢測(cè)技術(shù)。該技術(shù)可以有效地區(qū)分工業(yè)過(guò)程中的故障是否影響產(chǎn)品的KPI。但該方法無(wú)法很好地解決工業(yè)系統(tǒng)所采集的數(shù)據(jù)中存在離群點(diǎn)的問(wèn)題。本文擬對(duì)多元統(tǒng)計(jì)分析技術(shù)中偏最小二乘法(Partial Least Squares,PLS)進(jìn)行改進(jìn),并與KPI故障檢測(cè)技術(shù)相融合。對(duì)線性和非線性靜態(tài)系統(tǒng),進(jìn)行KPI相關(guān)的魯棒故障檢測(cè)方法具體研究。主要研究?jī)?nèi)容如下:(1)在線性過(guò)程中,針對(duì)現(xiàn)有的PLS對(duì)離群點(diǎn)的敏感以及故障判決邏輯復(fù)雜等情況,本論文將引進(jìn)一種魯棒的PLS算法降低建模數(shù)據(jù)中離群點(diǎn)對(duì)PLS模型的影響。之后,通過(guò)奇異值分解(Singular Value Decomposition,SVD)對(duì)過(guò)程變量分解為KPI相關(guān)和KPI無(wú)關(guān)兩個(gè)正交子空間。從而,提出一種魯棒的KPI預(yù)測(cè)和線性故障檢測(cè)方法,該方法能夠區(qū)分所發(fā)生的故障是否影響KPI。采用Tennessee Eastman(TE)化工過(guò)程,對(duì)兩種算法進(jìn)行KPI預(yù)測(cè)和KPI故障診斷。與PLS相比,該方法具有更強(qiáng)的魯棒性和更優(yōu)的故障檢測(cè)性能。(2)對(duì)于非線性過(guò)程中測(cè)量數(shù)據(jù)含有離群值的問(wèn)題,本論文在前人的基礎(chǔ)上,提出一種改進(jìn)的球形化KPLS(Modified Spherical KPLS,MSKPLS)在線檢測(cè)方法。該方法利用球形化策略將核處理后得到的高維特征變量投影到一個(gè)單位球面上。而后,對(duì)球形化處理后的數(shù)據(jù)進(jìn)行KPLS算法計(jì)算,并利用建模得到的系數(shù)矩陣對(duì)所得到的變量空間進(jìn)行SVD分解,得到KPI相關(guān)和KPI無(wú)關(guān)兩個(gè)正交子空間。從而可以對(duì)故障進(jìn)行有效的檢測(cè)。該策略不僅可以降低離群點(diǎn)對(duì)建模精度的影響,還可以解決非線性、KPI檢測(cè)兩大關(guān)鍵問(wèn)題。通過(guò)數(shù)值例子和TE化工系統(tǒng)對(duì)已有算法和新方法進(jìn)行仿真對(duì)比,結(jié)果顯示新方法在KPI故障檢測(cè)上有更優(yōu)的性能。
[Abstract]:With the increasing demand for robustness in industrial production systems, The data-based process monitoring technology in industrial systems has become a hot topic in academic circles. This data-based monitoring technology can quickly and accurately detect the faults in industrial processes. However, research reports and industrial feedback show that not all process failures affect the quality of the product. Ignoring unnecessary alarms can reduce overhaul time and manpower. To improve production efficiency. Based on this, a new fault detection method emerged as the times require, That is, the key Performance indicators / KPI (key Performance indicators / KPI) related fault detection technology. This technique can effectively distinguish whether the failure in the industrial process affects the KPIs of the product. But this method can not solve the problem in the data collected by the industrial system. The problem of outliers. In this paper, the partial Least Squares (PLSs) in the multivariate statistical analysis technique is improved. And fusion with KPI fault detection technology. For linear and nonlinear static systems, the robust fault detection methods related to KPI are studied in detail. The main research contents are as follows: 1) in the linear process, In view of the sensitivity of PLS to outliers and the complexity of fault decision logic, this paper introduces a robust PLS algorithm to reduce the influence of outliers on PLS model. Singular Value decomposition (SVD) is used to decompose process variables into KPI correlation and KPI independent orthogonal subspaces. A robust KPI prediction and linear fault detection method is proposed. The method can distinguish whether the fault occurred affects the KPI. The chemical process using Tennessee Eastman Tet is used to predict the KPI and diagnose the KPI fault of the two algorithms. Compared with PLS, the proposed method can be used to predict KPI and diagnose KPI faults. This method has stronger robustness and better fault detection performance. An improved on-line detection method for spherical KPLS(Modified Spherical KPLS- MSKPLS is proposed, in which the high-dimensional feature variables obtained by kernel processing are projected onto a unit sphere by using the sphericity strategy. Then, the KPLS algorithm is used to calculate the spherically processed data. The coefficient matrix is used to decompose the variable space by SVD. Two orthogonal subspaces of KPI correlation and KPI independence are obtained, which can effectively detect faults. This strategy can not only reduce the influence of outliers on modeling accuracy. Two key problems of nonlinear KPI detection can also be solved. The simulation results of existing algorithms and new methods by numerical examples and te chemical systems show that the new method has better performance in KPI fault detection.
【學(xué)位授予單位】：渤海大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP277;O212.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前9條

1 呂柏權(quán),李天鐸;一種基于小波網(wǎng)絡(luò)的故障檢測(cè)方法[J];控制理論與應(yīng)用;1998年05期

2 張沐光;宋執(zhí)環(huán);;一種基于獨(dú)立元貢獻(xiàn)度的子空間故障檢測(cè)方法[J];控制理論與應(yīng)用;2010年03期

3 高明亮;;PCA故障檢測(cè)方法及應(yīng)用[J];科技廣場(chǎng);2012年04期

4 方華京;基于觀測(cè)器的l~1魯棒故障檢測(cè)方法[J];控制理論與應(yīng)用;2001年01期

5 褚東升;董琦;張玲;;帶乘性噪聲系統(tǒng)的傳感器故障檢測(cè)方法[J];中國(guó)海洋大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年04期

6 陳金水,孫優(yōu)賢;一種基于UIO觀測(cè)器的故障檢測(cè)方法[J];控制理論與應(yīng)用;1997年01期

7 徐晶;張秋杰;單凈;姜萍;;基于Lipschitz指數(shù)熵的軸承故障檢測(cè)方法[J];科技導(dǎo)報(bào);2009年15期

8 李克非,張?jiān)姼?劉明,潘向黨;打印機(jī)故障檢測(cè)方法及維修實(shí)例[J];遼寧氣象;2005年03期

9 ;[J];;年期

相關(guān)會(huì)議論文 前10條

1 周小勇;葉銀忠;;基于小波多分辨率分析的故障檢測(cè)方法[A];第16屆中國(guó)過(guò)程控制學(xué)術(shù)年會(huì)暨第4屆全國(guó)故障診斷與安全性學(xué)術(shù)會(huì)議論文集[C];2005年

2 杜運(yùn)成;石紅瑞;;等價(jià)空間故障檢測(cè)方法研究[A];自動(dòng)化技術(shù)與冶金流程節(jié)能減排——全國(guó)冶金自動(dòng)化信息網(wǎng)2008年會(huì)論文集[C];2008年

3 譚琳;文成林;;一種基于多模式的故障檢測(cè)方法[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

4 邱愷;吳訓(xùn)忠;陳天如;魏瑞軒;張宗麟;;基于融合量測(cè)預(yù)報(bào)器的聯(lián)邦濾波故障檢測(cè)方法[A];第二十四屆中國(guó)控制會(huì)議論文集（下冊(cè)）[C];2005年

5 陳金水;孫優(yōu)賢;;一種控制系統(tǒng)故障的魯棒檢測(cè)方法[A];1995中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1995年

6 顏東;張洪鉞;;基于ARMA模型的故障檢測(cè)方法[A];1994中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1994年

7 張成;李元;;PC-KNN故障檢測(cè)方法在半導(dǎo)體批次過(guò)程中的應(yīng)用研究[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

8 易昭湘;慕曉冬;楊眉;趙鵬;;基于狀態(tài)監(jiān)控的軟硬件故障檢測(cè)方法[A];2007'儀表，，自動(dòng)化及先進(jìn)集成技術(shù)大會(huì)論文集（二）[C];2007年

9 李建立;譚慶平;徐建軍;;一種軟件實(shí)現(xiàn)的瞬時(shí)故障檢測(cè)方法[A];全國(guó)計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集（第二十三卷）[C];2008年

10 徐卓飛;張海燕;任玲輝;;基于紋理識(shí)別的膠印機(jī)墨杠故障檢測(cè)方法[A];顏色科學(xué)與技術(shù)——2012第二屆中國(guó)印刷與包裝學(xué)術(shù)會(huì)議論文摘要集[C];2012年

相關(guān)重要報(bào)紙文章 前1條

1 江蘇 孫春暉;淺談數(shù)字電路故障檢測(cè)方法與技巧[N];電子報(bào);2006年

相關(guān)博士學(xué)位論文 前5條

1 劉文靜;分布式網(wǎng)絡(luò)化控制系統(tǒng)故障檢測(cè)方法研究[D];天津大學(xué);2009年

2 彭濤;基于傳感器最優(yōu)配置的故障檢測(cè)方法研究[D];中南大學(xué);2005年

3 馬賀賀;基于數(shù)據(jù)驅(qū)動(dòng)的復(fù)雜工業(yè)過(guò)程故障檢測(cè)方法研究[D];華東理工大學(xué);2013年

4 肖麗;基于電流信號(hào)提取技術(shù)的SRD故障檢測(cè)方法的研究[D];河北工業(yè)大學(xué);2014年

5 王恒;基于LMI技術(shù)的線性系統(tǒng)故障檢測(cè)方法[D];東北大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 羅俊杰;FPGA故障檢測(cè)方法研究及軟件實(shí)現(xiàn)[D];中國(guó)科學(xué)院大學(xué)(工程管理與信息技術(shù)學(xué)院);2015年

2 張占奎;基于特征空間信息提取的故障檢測(cè)方法研究[D];大連理工大學(xué);2015年

3 劉婷;串聯(lián)電弧故障檢測(cè)方法研究及應(yīng)用[D];沈陽(yáng)工業(yè)大學(xué);2016年

4 郭剛;彈復(fù)性兩自由度機(jī)械手的關(guān)節(jié)故障檢測(cè)方法研究[D];華東理工大學(xué);2016年

5 馬魯;風(fēng)電機(jī)組傳動(dòng)系統(tǒng)關(guān)鍵機(jī)械部件的故障檢測(cè)方法研究[D];上海電機(jī)學(xué)院;2016年

6 丁偉光;非線性網(wǎng)絡(luò)控制系統(tǒng)的故障檢測(cè)方法研究[D];南京航空航天大學(xué);2015年

7 吳卓卓;基于田納西—伊斯曼過(guò)程故障檢測(cè)方法研究[D];華東交通大學(xué);2016年

8 曾慶文;汽車電弧故障檢測(cè)方法研究[D];華僑大學(xué);2016年

9 馮中艷;基于數(shù)據(jù)統(tǒng)計(jì)特性的HVAC系統(tǒng)故障檢測(cè)方法研究[D];天津大學(xué);2016年

10 孫巍;基于PLS的關(guān)鍵性能指標(biāo)相關(guān)的故障檢測(cè)方法研究[D];渤海大學(xué);2017年

本文編號(hào)：1658853