本文關(guān)鍵詞：基于信息富集與特征選擇的多元統(tǒng)計(jì)化工過(guò)程監(jiān)測(cè)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：在現(xiàn)代流程工業(yè)中,人們對(duì)過(guò)程安全和產(chǎn)品質(zhì)量要求日益提高,工業(yè)過(guò)程在線過(guò)程監(jiān)測(cè)作為保障過(guò)程安全、提高產(chǎn)品質(zhì)量的有效途徑和關(guān)鍵技術(shù),受到人們?cè)絹?lái)越多的關(guān)注。隨著現(xiàn)代流程工業(yè)中數(shù)據(jù)采集、存儲(chǔ)和處理技術(shù)的快速發(fā)展,過(guò)程數(shù)據(jù)信息變得極為豐富,基于數(shù)據(jù)驅(qū)動(dòng)的過(guò)程在線監(jiān)測(cè)與故障診斷技術(shù)在近幾年發(fā)展迅速；同時(shí),多元統(tǒng)計(jì)分析技術(shù)日新月異,基于多元統(tǒng)計(jì)分析的過(guò)程監(jiān)測(cè)(Mutivariate Statistical Process Monitoring, MSPM)方法成為工業(yè)過(guò)程監(jiān)測(cè)領(lǐng)域的研究熱點(diǎn)。 雖然對(duì)于MSPM的研究取得了很多成果,MSPM方法仍然在發(fā)展過(guò)程中,還有許多問(wèn)題需要進(jìn)一步討論和解決,例如,如何更有效地提取故障信息,如何挖掘更多的局部過(guò)程信息,如何解決生產(chǎn)過(guò)程中非線性、多工況的問(wèn)題等。本文在前人研究工作的基礎(chǔ)上,針對(duì)現(xiàn)代工業(yè)過(guò)程的特點(diǎn),從信息富集與特征選擇的思路出發(fā)對(duì)一些現(xiàn)有的方法進(jìn)行了研究和改進(jìn),同時(shí)也提出了一些新的、有效的過(guò)程監(jiān)測(cè)策略,具體包括： (1)針對(duì)主成分分析(Principal Component Analysis, PCA)過(guò)程監(jiān)測(cè)中存在的主觀主元選擇及故障相關(guān)信息分散問(wèn)題,提出基于故障敏感主成分選擇和主元空間實(shí)時(shí)重構(gòu)的策略,用以改善過(guò)程監(jiān)測(cè)性能。由于故障相關(guān)信息被集中到一個(gè)子空間,故障檢測(cè)和故障診斷性能都得以提高。PCA是目前應(yīng)用最為廣泛的多元統(tǒng)計(jì)過(guò)程監(jiān)測(cè)方法,對(duì)PCA方法的研究具有十分廣泛的意義。所提出的方法可以擴(kuò)展到核PCA、因子分析、獨(dú)立成分分析等監(jiān)測(cè)方法以解決更多的實(shí)際問(wèn)題。 (2)針對(duì)現(xiàn)代流程工業(yè)中過(guò)程變量和操作單元眾多,變量相關(guān)性復(fù)雜的問(wèn)題,提出了完全基于數(shù)據(jù)驅(qū)動(dòng)的分散過(guò)程監(jiān)測(cè)策略,將眾多的變量分配到若干子空間進(jìn)行監(jiān)測(cè)。分散監(jiān)測(cè)一方面降低了系統(tǒng)復(fù)雜程度,另一方面也更有利于發(fā)掘更多的局部過(guò)程信息,為辨別過(guò)程狀態(tài)提供了便利。相對(duì)于傳統(tǒng)的分塊監(jiān)測(cè)方法,新的方法不需要精確的過(guò)程模型和對(duì)系統(tǒng)知識(shí)的認(rèn)知,是一種完全基于數(shù)據(jù)的方法,更有利于實(shí)際應(yīng)用。同時(shí),該方法可以擴(kuò)展用于具有非線性、多模態(tài)等特性的過(guò)程監(jiān)測(cè)中來(lái),論文中也將進(jìn)行詳細(xì)的論述。 (3)針對(duì)基于獨(dú)立成分分析(Independent Component Analysis, ICA)的非高斯過(guò)程監(jiān)測(cè)中存在的故障信息分散及有用信息被壓制的問(wèn)題,分別提出了基于故障相關(guān)獨(dú)立元預(yù)選與重要獨(dú)立元加權(quán)策略的過(guò)程監(jiān)測(cè)方法�；讵�(dú)立元預(yù)選的監(jiān)測(cè)方法充分利用過(guò)程故障信息,將故障相關(guān)獨(dú)立元集中到一個(gè)子空間,使故障信息富集；基于加權(quán)策略的加權(quán)獨(dú)立元監(jiān)測(cè)方法通過(guò)衡量一個(gè)時(shí)段內(nèi)各個(gè)獨(dú)立元的重要性,賦予重要獨(dú)立元更大的權(quán)重,突出強(qiáng)調(diào)過(guò)程中的故障信息,改善過(guò)程監(jiān)測(cè)性能。所提出的方法可以擴(kuò)展到非線性、多模態(tài)等形式來(lái)適應(yīng)更多的實(shí)際應(yīng)用需求。 (4)針對(duì)過(guò)程數(shù)據(jù)分布不唯一的過(guò)程監(jiān)測(cè)問(wèn)題,提出了基于變量分布相似性子空間劃分和分散監(jiān)測(cè)的策略,一方面使監(jiān)測(cè)方法更符合實(shí)際監(jiān)測(cè)的需要,另一方面有效降低了過(guò)程監(jiān)測(cè)的復(fù)雜度,顯著改善了過(guò)程監(jiān)測(cè)性能。 最后,在總結(jié)全文的基礎(chǔ)上,對(duì)基于多元統(tǒng)計(jì)分析的過(guò)程監(jiān)測(cè)領(lǐng)域的未來(lái)工作進(jìn)行了展望。
【關(guān)鍵詞】：多元統(tǒng)計(jì)分析 化工過(guò)程監(jiān)測(cè) 故障檢測(cè) 故障診斷
【學(xué)位授予單位】：華東理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP274
【目錄】：

• 摘要5-7
• Abstract7-11
• 第1章 緒論11-26
• 1.1 引言11
• 1.2 課題背景和研究意義11
• 1.3 過(guò)程監(jiān)測(cè)的研究?jī)?nèi)容和主要方法11-14
• 1.3.1 過(guò)程監(jiān)測(cè)的基本概念和研究?jī)?nèi)容12
• 1.3.2 過(guò)程監(jiān)測(cè)的主要研究方法12-14
• 1.4 統(tǒng)計(jì)過(guò)程監(jiān)測(cè)的發(fā)展現(xiàn)狀14-23
• 1.4.1 統(tǒng)計(jì)過(guò)程監(jiān)測(cè)的發(fā)展歷程14-15
• 1.4.2 多元統(tǒng)計(jì)分析過(guò)程監(jiān)測(cè)研究現(xiàn)狀和基本方法介紹15-20
• 1.4.3 多元統(tǒng)計(jì)分析過(guò)程監(jiān)測(cè)方法中存在的問(wèn)題20-23
• 1.5 本文的研究?jī)?nèi)容和主要?jiǎng)?chuàng)新點(diǎn)23-25
• 1.5.1 本文研究?jī)?nèi)容24
• 1.5.2 本文主要?jiǎng)?chuàng)新點(diǎn)及各個(gè)章節(jié)安排24-25
• 1.6 本章小結(jié)25-26
• 第2章 基于信息富集的改進(jìn)PCA監(jiān)測(cè)方法26-58
• 2.1 引言26-29
• 2.2 基于敏感主成分分析的過(guò)程監(jiān)測(cè)29-44
• 2.2.1 基于敏感主成分分析的故障檢測(cè)29-30
• 2.2.2 基于敏感主成分分析的故障診斷30-31
• 2.2.3 在數(shù)值仿真過(guò)程中的應(yīng)用研究31-35
• 2.2.4 在TE benchmark過(guò)程中的應(yīng)用研究35-44
• 2.3 基于實(shí)時(shí)重組主成分分析的過(guò)程監(jiān)測(cè)44-57
• 2.3.1 基于JIR-PCA-SVDD的故障檢測(cè)44-46
• 2.3.2 基于JIR-PCA-SVDD的故障診斷46-47
• 2.3.3 在數(shù)值仿真過(guò)程中的應(yīng)用47-50
• 2.3.4 在CSTR過(guò)程中的應(yīng)用研究50-52
• 2.3.5 在TE benchmark過(guò)程中的應(yīng)用研究52-57
• 2.4 本章小結(jié)57-58
• 第3章 基于分塊分散監(jiān)測(cè)策略的PCA監(jiān)測(cè)方法58-103
• 3.1 引言58-60
• 3.2 基于互信息分塊策略的PCA過(guò)程監(jiān)測(cè)60-73
• 3.2.1 方法介紹60-62
• 3.2.2 在數(shù)值仿真過(guò)程中的應(yīng)用62-66
• 3.2.3 在TE benchmark過(guò)程中的應(yīng)用66-73
• 3.3 基于互信息、聯(lián)合概率以及貝葉斯推理的分塊多模態(tài)監(jiān)測(cè)方法73-90
• 3.3.1 基于聯(lián)合概率的過(guò)程模態(tài)判別73-74
• 3.3.2 基于貝葉斯推斷的統(tǒng)計(jì)量合成74-75
• 3.3.3 基于加權(quán)貢獻(xiàn)圖的故障診斷75-77
• 3.3.4 在數(shù)值仿真過(guò)程中的應(yīng)用77-82
• 3.3.5 在TE benchmark過(guò)程中的應(yīng)用82-90
• 3.4 基于互信息譜聚類分塊的KPCA過(guò)程監(jiān)測(cè)90-102
• 3.4.1 基于互信息-譜聚類的變量分塊90-91
• 3.4.2 基于多塊KPCA和貝葉斯推理的過(guò)程監(jiān)測(cè)91-93
• 3.4.3 在數(shù)值仿真過(guò)程中的應(yīng)用93-97
• 3.4.4 在TE benchmark過(guò)程中的應(yīng)用97-102
• 3.5 本章小結(jié)102-103
• 第4章 基于改進(jìn)ICA的非高斯及多模態(tài)監(jiān)測(cè)策略103-125
• 4.1 引言103
• 4.2 基于ICA預(yù)選分組的過(guò)程監(jiān)測(cè)方法103-112
• 4.2.1 ICA過(guò)程監(jiān)測(cè)問(wèn)題說(shuō)明103-105
• 4.2.2 基于預(yù)選ICA-SVDD的過(guò)程監(jiān)測(cè)方法105-106
• 4.2.3 在數(shù)值仿真過(guò)程中的應(yīng)用106-107
• 4.2.4 TE benchmark過(guò)程中的應(yīng)用107-112
• 4.3 基于雙重加權(quán)策略的多模態(tài)ICA過(guò)程監(jiān)測(cè)方法112-124
• 4.3.1 基于聯(lián)合概率密度和雙重加權(quán)的多模態(tài)ICA過(guò)程監(jiān)測(cè)113-115
• 4.3.2 在數(shù)值仿真過(guò)程中的應(yīng)用115-119
• 4.3.3 在TE過(guò)程中的應(yīng)用119-124
• 4.4 本章小結(jié)124-125
• 第5章 基于分布相似性分塊的多分布過(guò)程監(jiān)測(cè)125-136
• 5.1 引言125
• 5.2 基于分布相似性分塊的分塊ICA過(guò)程監(jiān)測(cè)125-135
• 5.2.1 相似性分塊ICA125-127
• 5.2.2 在數(shù)值仿真過(guò)程中的應(yīng)用127-131
• 5.2.3 在TE benchmark過(guò)程中的應(yīng)用研究131-135
• 5.3 本章小結(jié)135-136
• 第6章 總結(jié)和展望136-139
• 6.1 研究工作總結(jié)136-137
• 6.2 挑戰(zhàn)與展望137-139
• 參考文獻(xiàn)139-148
• 致謝148-149
• 攻讀博士學(xué)位期間完成的主要論文149-150

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前4條

1 陳國(guó)金,梁軍,錢積新;獨(dú)立元分析方法(ICA)及其在化工過(guò)程監(jiān)控和故障診斷中的應(yīng)用[J];化工學(xué)報(bào);2003年10期

2 何寧,謝磊,郭明,王樹(shù)青;基于獨(dú)立成分的動(dòng)態(tài)多變量過(guò)程的故障檢測(cè)與診斷方法[J];化工學(xué)報(bào);2005年04期

3 劉強(qiáng);柴天佑;秦泗釗;趙立杰;;基于數(shù)據(jù)和知識(shí)的工業(yè)過(guò)程監(jiān)視及故障診斷綜述[J];控制與決策;2010年06期

4 謝磊;劉雪芹;張建明;王樹(shù)青;;基于NGPP-SVDD的非高斯過(guò)程監(jiān)控及其應(yīng)用研究[J];自動(dòng)化學(xué)報(bào);2009年01期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 葛志強(qiáng);復(fù)雜工況過(guò)程統(tǒng)計(jì)監(jiān)測(cè)方法研究[D];浙江大學(xué);2009年

  本文關(guān)鍵詞：基于信息富集與特征選擇的多元統(tǒng)計(jì)化工過(guò)程監(jiān)測(cè)研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：403985