發(fā)布時(shí)間：2020-12-18 21:00

　　隨著科學(xué)技術(shù)的快速發(fā)展,過程工業(yè)的復(fù)雜程度越來越高。一旦出現(xiàn)故障,很可能產(chǎn)生連鎖反應(yīng),造成重大損失。因此,對(duì)其進(jìn)行實(shí)時(shí)監(jiān)測(cè),快速、準(zhǔn)確地找出故障,具有重要的應(yīng)用價(jià)值。本文針對(duì)過程工業(yè)存在時(shí)變、非線性及數(shù)據(jù)量大等特點(diǎn),在分析幾種現(xiàn)有故障檢測(cè)算法性能的基礎(chǔ)上提出改進(jìn)算法,并在TE（Tennessee Eastman）平臺(tái)上進(jìn)行仿真及驗(yàn)證:（1）對(duì)主元分析算法（Principal Component Analysis,PCA）在 TE 過程的檢測(cè)效果進(jìn)行了分析,仿真表明,由于存在非線性、時(shí)變等特性,PCA不能很好地檢測(cè)出故障。（2）動(dòng)態(tài)核主元分析算法（Dynamic Kernel PCA,DKPCA）雖然適用于處理動(dòng)態(tài)、非線性問題,但對(duì)于大樣本數(shù)據(jù)集,存在占用計(jì)算機(jī)內(nèi)存大、計(jì)算復(fù)雜度高等不足,為此,采用一種基于特征子空間的改進(jìn)動(dòng)態(tài)核主元分析算法（Effective Feature Subspace DKPCA,EFS-DKPCA）,該方法通過構(gòu)建具有較小維數(shù)的特征子空間上的正交基,來優(yōu)化樣本在特征空間的結(jié)構(gòu)表示。試驗(yàn)結(jié)果顯示,該算法可以有效提高故障檢測(cè)效率,而正確率幾乎不受影響。（3）考慮系... 

【文章來源】：西南科技大學(xué)四川省

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 故障診斷概述
        1.2.1 故障診斷概念
        1.2.2 故障診斷方法
    1.3 基于多元統(tǒng)計(jì)分析的故障診斷現(xiàn)狀
    1.4 本文主要內(nèi)容
2 基于PCA的故障檢測(cè)研究
    2.1 PCA基本原理
        2.1.1 PCA的幾何解釋和本質(zhì)
        2.1.2 PCA的計(jì)算步驟
    2.2 基于主元分析的故障檢測(cè)
        2.2.1 主元選取方法
        2.2.2 故障檢測(cè)統(tǒng)計(jì)量
        2.2.3 基于PCA的故障檢測(cè)步驟
    2.3 仿真研究
        2.3.1 TE過程簡(jiǎn)介
        2.3.2 故障檢測(cè)仿真分析
    2.4 本章小結(jié)
3 基于DKPCA及其改進(jìn)算法的故障檢測(cè)研究
    3.1 基于DKPCA的故障檢測(cè)
        3.1.1 動(dòng)態(tài)數(shù)據(jù)矩陣
        3.1.2 KPCA基本原理
        3.1.3 核函數(shù)及核參的選取
        3.1.4 基于DKPCA的故障檢測(cè)步驟
    3.2 基于EFS-DKPCA的故障檢測(cè)
        3.2.1 正交基的構(gòu)造
        3.2.2 輸入空間到特征子空間的映射
        3.2.3 基于EFS-DKPCA的故障檢測(cè)步驟
    3.3 仿真研究
        3.3.1 基于DKPCA的故障檢測(cè)仿真分析
        3.3.2 基于EFS-DKPCA的故障檢測(cè)仿真分析
    3.4 本章小結(jié)
4 基于BDKPCA及其改進(jìn)算法的故障檢測(cè)研究
    4.1 基于BDKPCA的故障檢測(cè)
        4.1.1 移動(dòng)時(shí)間窗
        4.1.2 BDKPCA基本原理
        4.1.3 基于BDKPCA的故障檢測(cè)步驟
    4.2 基于小波去噪與EFS-BDKPCA的故障檢測(cè)
        4.2.1 小波去噪簡(jiǎn)介
        4.2.2 基于小波去噪與EFS-BDKPCA的故障檢測(cè)步驟
    4.3 仿真研究
        4.3.1 基于BDKPCA的故障檢測(cè)仿真分析
        4.3.2 基于小波與EFS-BDKPCA的故障檢測(cè)仿真分析
    4.4 本章小結(jié)
總結(jié)與展望
致謝
參考文獻(xiàn)
攻讀碩士研究生期間發(fā)表論文及科研情況


【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)分塊主元分析模型的提高故障檢測(cè)與分離（英文）[J]. 劉康玲,金鑫,費(fèi)正順,梁軍.  Chinese Journal of Chemical Engineering. 2015(06)
[2]基于混合核函數(shù)的快速KPCA人臉識(shí)別算法[J]. 穆新亮.  電子科技. 2015(02)
[3]基于信息增量矩陣的故障診斷方法[J]. 文成林,胡玉成.  自動(dòng)化學(xué)報(bào). 2012(05)
[4]基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述[J]. 李晗,蕭德云.  控制與決策. 2011(01)
[5]基于指定元分析的多級(jí)相對(duì)微小故障診斷方法[J]. 周福娜,文成林,陳志國(guó),冷元寶.  電子學(xué)報(bào). 2010(08)
[6]基于數(shù)據(jù)和知識(shí)的工業(yè)過程監(jiān)視及故障診斷綜述[J]. 劉強(qiáng),柴天佑,秦泗釗,趙立杰.  控制與決策. 2010(06)
[7]On the Application of PCA Technique to Fault Diagnosis[J]. Naik A.  Tsinghua Science and Technology. 2010(02)
[8]基于交叉驗(yàn)證法優(yōu)化參數(shù)的Morlet小波消噪方法[J]. 湯寶平,劉文藝,蔣永華.  重慶大學(xué)學(xué)報(bào). 2010(01)
[9]一種基于改進(jìn)MPCA的間歇過程監(jiān)控與故障診斷方法[J]. 齊詠生,王普,高學(xué)金,公彥杰.  化工學(xué)報(bào). 2009(11)
[10]基于指定元分析的多故障診斷方法[J]. 周福娜,文成林,湯天浩,陳志國(guó).  自動(dòng)化學(xué)報(bào). 2009(07)

博士論文
[1]基于數(shù)據(jù)驅(qū)動(dòng)技術(shù)的過程監(jiān)控與優(yōu)化方法研究[D]. 熊麗.浙江大學(xué) 2008
[2]基于結(jié)構(gòu)優(yōu)化PCA的傳感器故障診斷方法及其應(yīng)用研究[D]. 付克昌.浙江大學(xué) 2007

碩士論文
[1]基于PCA的流程工業(yè)故障診斷方法研究[D]. 劉琴.西南科技大學(xué) 2016
[2]改進(jìn)的小波閾值去噪算法研究[D]. 楊鑫蕊.哈爾濱理工大學(xué) 2014
[3]基于TE的化工過程故障診斷算法研究[D]. 王新明.蘭州理工大學(xué) 2010
[4]小波閾值去噪的性能分析及基于能量元的小波閾值去噪方法研究[D]. 呂瑞蘭.浙江大學(xué) 2003



本文編號(hào)：2924603