当前位置: > 硕士毕业论文 > 37120字硕士毕业论文基于数值驱动的复杂工业过程障碍测试方法研究

37120字硕士毕业论文基于数值驱动的复杂工业过程障碍测试方法研究

论文类型:硕士毕业论文
论文字数:37120字
论点:过程,方法,故障
论文概述:

本文在对过程数据进行深入分析的基础上,重点研究提高基于数据的监控方法在复杂工业过程中的故障检测性能。针对实际工业过程中存在数据的非线性问题、过程运行条件切换问题以及过程数

论文正文:

第一章引言

1.1导言
随着工业现代化水平的不断提高和产业结构的不断优化,中国经济实现了持续稳定增长。国家统计局发布的2011年主要宏观经济数据显示,2011年规模以上工业增加值增长13.9%。工业生产稳步增长,企业效益显著提高。冶金、电力、化工等流程工业作为国民经济的支柱产业,对经济发展做出了巨大贡献。因此,如何进一步降低生产成本,提高经济效益,从而全面提升流程工业企业的综合竞争力,是我国经济持续高速发展的关键。受全球竞争和市场经济的影响,流程工业逐渐形成了以计算机技术为基础,结合现代管理技术、制造技术、信息技术、自动化技术和系统工程技术的计算机集成制造系统(CIMS)。在实际工业过程中,表明过程工业生产正朝着规模化和自动化方向发展,生产单元之间的联系进一步加强。加工业主要通过提高产品产量和质量、提高原料利用率和生产效率、降低能耗和减少污染来增加经济效益。然而,加工工业的生产环境往往相当复杂,通常是在极端条件下,如高温高压或低温真空。生产过程包括复杂的物理和化学过程,以及各种突发干扰和不确定性,因此系统往往非常复杂。系统的高度相关性和生产过程的复杂特性使得单个过程变量的小故障有可能在整个生产系统中传播,从而导致其他信号振荡更多。故障的扩散和扩大可能导致整个生产设备的整体故障,从而使生产无法顺利进行。在严重的情况下,可能发生设备损坏,甚至可能发生火灾、爆炸和其他恶性事件。此外,一些生产变量的故障或工艺参数的轻微偏差可能不会影响生产过程的安全性和连续性。但是,如果不及时处理这种小故障,故障的累积效应和参数与系统设置的优化值的长期偏差将影响最终产品的生产质量并增加生产消耗。在这种情况下,生产可以顺利进行,但企业的生产目标无法实现,成本的增加也会对企业综合竞争力的提高产生很大影响。对于流程工业来说,只有实现安全稳定运行,才能获得最大的经济效益。确保生产过程安全无故障已成为流程工业的首要任务。如何提高工业过程的安全性,增加系统的可靠性,防止重大事故的发生,减少故障对生产过程的影响,已经成为一个至关重要的问题。因此,研究和应用先进的工业过程状态监测技术来监测过程的实际运行状态,检测过程故障是否及时发生并给出早期报警,识别和定位导致报警的过程变量,具有重要的理论意义和工程应用价值。过程监控是近年来自动控制领域的研究热点,越来越受到学者和工程师的关注。

1.2过程监控概述
经过近几年的发展,在过程监控领域形成了一些被广泛接受的概念设置,并获得了许多满足实际需求的有效过程监控方法。这些系统的理论研究工作和相关技术应用的发展也为工业企业采用先进的过程监控技术提供了科学支持。在介绍本文的研究工作之前,有必要总结过程监控领域的主要研究内容和一些概念,通过对现有过程监控方法的分类和介绍,描述过程监控领域的研究概况。

1.2.1过程监控研究内容
过程监控的目的是通过识别异常行为,确保过程能够按照设定的计划成功运行。有效的过程监控可以使系统操作员和维护人员通过持续对生产过程进行实时定量或定性分析,并在发现异常情况时及时报警,准确掌握过程的实际运行状态,从而帮助他们在故障发生时做出正确的补救措施,从而消除过程异常,防止更严重的灾难性事故。根据故障原因,故障可分为以下几类:
(1)工艺参数变化的故障:工艺过程中某些异常现象(如催化剂中毒和换热器堵塞)引起的系统参数变化会导致此类故障;
(2)干扰参数变化的故障:例如,工艺进料流浓度或环境温度的极端变化会导致此类故障;
(3)致动器故障:设定目标与致动器的实际输出之间存在明显差异,如阀门卡滞会导致此类故障;
(4)传感器故障:传感器的测量值与过程的实际值之间存在显著差异,这表明过程变量的测量值有偏差。

第二章基于统计核主成分分析的非线性过程故障检测方法

2.1研究背景和动机
面对过程中的非线性问题,最常用的方法是基于核学习。其中,核主成分分析(KPCA)作为传统主成分分析方法的非线性扩展,受到了广泛关注。与主成分分析法不同,KPCA法在通过非线性映射获得的高维核空之间进行特征值分解,但KPCA也在监测指标方面通过霍特林的T2统计和固相萃取统计进行故障检测。近年来,KPCA方法的理论研究成果不断出现。例如,李等人系统地分析了KPCA法的监测过程。详细说明了如何使用非线性映射来处理过程变量之间的非线性关系,以及如何求解核空之间的特征值来避免非线性优化问题。由于KPCA方法核空之间的维数与历史数据集的建模样本数有关,当样本数较大时,KPCA方法有很大的计算负担。为了解决这个问题,崔等人[1531]使用FVS的特征向量选择(Feature Vector Selection)有效降低了KPCA方法的计算复杂度,并进一步将其与美国食品和药物管理局相结合,提高了算法的最终故障检测性能。通过比较,我们可以发现,虽然KPCA方法可以通过核映射解决变量之间的非线性关系,但是这些基于KPCA的改进算法仍然只使用数据中包含的低阶信息来分解数据矩阵的协方差矩阵。在这方面,数据信息提取不足以及无法提取高阶统计中包含的有用数据信息,在一定程度上限制了KPCA的故障检测性能统计模式分析(SPA)。他和其他人首先提出其数据转换方法不涉及特定的特征分析,这类似于数据映射关系。基本思想是计算原始数据空之间不同顺序的统计量,然后用样本的统计量来表示当前样本,而不是直接分析原始样本,分析它们的统计量。他等人首先提出了统计模式分析结构的概念,并将其应用于间歇过程,取得了良好的效果,证明了分析样本统计比直接分析样本提取过程信息更有效。Wang等人利用移动窗口技术将集对分析方法应用于连续过程,证明集对分析比传统的主成分分析方法具有更强的故障检测能力,能够更准确地描述过程的运行状态,在过程异常时能够更敏锐地捕捉到这种变化。然而,应该注意,这种数据转换方法不能改变过程变量之间的非线性关系。相反,将在相同变量和不同顺序的统计数据之间引入一些新的非线性关系。这些统计数据与作为隐藏变量的原始变量之间存在非线性关系。因此,王等人在连续过程中应用的集对分析方法在面对非线性过程时很难获得理想的监测结果。

第3章.........40
3.1研究动机.........40
3.2多模态数据分布特征分析空基于距离统计分析/
3.3距离空 43
3.4基于DSSA方法的在线故障检测.........46 [/BR/] 3.5TE过程模拟应用研究.........47
BR/]第四章基于本地邻域标准化策略的多模态克服.........57[/比尔/] 4.1研究动机.........57 [/BR/] 4.2多模态数据的数据预处理方法.........58
4.3当地邻里关系正常化政策.......61
4.4地方邻里关系正常化政策的绩效分析.........62
第五章基于马氏距离局部离群因子……84
5.1研究动机.........84
5.2局部离群因子法.........85
5.3基于马氏距离的局部离群因子法.........86
5.4基于MDLOF方法的在线故障检测.........88

结论

随着工业过程自动化水平的不断提高,各种智能仪器、自动控制部件和高度集成的现场控制系统已经广泛应用于实际工业生产过程中。同时,存储了大量的过程数据。这些数据真实地反映了过程的运行。如何挖掘过程历史数据,利用这一宝贵财富来指导生产过程,从而提高企业的经济效益,受到了广泛关注。因此,利用过程历史数据建模和提取过程正常运行下的统计规则来监控后续生产过程的方法发展非常迅速。这种数据驱动的统计监测方法已经成为过程监测领域的研究热点。本文在前人研究的基础上,重点研究了实际工业过程中存在的问题,如非线性问题、多模态问题、过程数据的复杂分布等。重点研究如何提高数据驱动统计监测方法在故障检测中的性能。在对比分析过程数据空分布特征和正常样本与故障样本差异的基础上,改进了传统的MSPM方法,提出了一种新的故障检测策略和方法。具体研究内容如下:
(1)在求解过程中的非线性问题时,传统的KPCA方法只使用数据中包含的低阶信息。过程数据的高阶统计中包含的有用信息不能被利用,并且数据信息提取不足。为了提高KPCA方法在非线性过程中的故障检测性能,提出了一种统计核主成分分析方法。通过将统计分析方法与传统的KPCA方法相结合,在将过程数据从原始数据空映射到高维核空之前,执行从原始数据空到统计样本空的映射。在构建统计样本空的过程中,包含了原始数据的高阶统计信息,提高了传统KPCA方法对过程信息的利用程度,获得了更好的非线性过程监控效果。
(2)在解决多模式问题时,主流解决方案是采用多模式战略。从分析正态数据和故障数据之间的多元空分布特征的角度出发,比较正态数据和故障数据之间的距离关系,进行统计分析,提取建成距离空中的高阶统计信息,最终形成基于距离空统计分析的多模态过程故障检测方法。
(3)针对多模态问题,研究了监测模型建立前的数据预处理方法。在分析多模态数据特征的基础上,通过分析传统z-score方法预处理前后多模态数据的性能,挖掘z-score方法不能解决预处理过程中数据的多分布特征问题。提出了一种新的局部邻域标准化策略,该策略将数据集中在数据预处理阶段,同时解决了数据的多模态特征,使得传统的主成分分析和偏最小二乘法能够直接应用于多模态过程。仿真结果表明,主成分分析法结合局部邻域标准化策略,能够有效监测多模态过程。
(4)复杂工业过程不仅具有运行模式的切换,而且同一运行模式下过程数据的具体分布也是不确定的。为了解决多模态过程和复杂数据分布的问题,提出了一种利用样本局部离群因子作为监测统计量的故障检测方法。在计算局部离群因子的过程中,新的马氏距离局部离群因子方法通过引入马氏距离来考虑变量的局部结构,从而提高了包含信息的数据的利用率。该方法采用基于局部密度的统计量作为监测指标,因此不依赖于过程数据的分布,在过程数据分布不确定的情况下仍能具有良好的故障检测能力。仿真结果表明,该方法在故障检测方面优于传统主成分分析法和标准局部离群因子法。
(5)进一步研究了局部离群因子方法在多模态过程中的应用问题,结合局部邻域归一化策略和局部离群因子方法,提出了一种新的邻域归一化局部离群因子方法。采用新的加权欧氏距离计算样本与其邻居之间的局部可达距离,使得应用过程中局部离群因子方法的参数选择不再受过程变量数量的影响。为了定位故障变量,提出了一种利用样本局部离群因子分解变量贡献度的方法。仿真结果表明,邻域归一化局部离群因子方法具有良好的故障检测性能和较低的计算复杂度。同时,最终的监测统计数据对不同的变量具有可解释性,并且可以执行贡献分解来定位故障变量。

参考
[1]秦绍杰。统计过程监测:http://sblunwen.com/gygclw/及[以外的基础知识。化学计量学杂志。2003.17 (8-9): 480-502。
[2]哈利,肖德云。数据驱动故障诊断方法概述[。控制和决策。2011年,26 (1): 1-9。
[3]蒋若海,罗素英,布拉茨。工业系统中的故障检测和诊断[。伦敦:斯普林格,2001年。
[4]凯萨万,李建海。多变量基于模型的控制系统诊断工具[。工业与工程化学研究。1997年,36(7): 2725-2738。
[5]赖希,金娜.多变量连续过程中的统计过程监测和扰动诊断[.爱切杂志。1996年,42 (4): 995-1009。[/比尔/] [6]周东华,叶尹仲。现代故障诊断和容错控制[。北京:清华大学出版社,2000年。
[7]基于模型的故障检测和诊断方法[。摘自:《美国控制会议录》,1995年,3: 1605-1609。
[8]弗兰克·彭明敏.利用分析和基于知识的数据处理技术进行动态系统故障诊断——一项调查和一些新结果[.Automatica。1990年,26(3): 459-474。
[9]文卡塔苏布拉曼尼五世,仁加斯瓦米,尹凯,卡武里。过程故障检测与诊断综述:第一部分:基于定量模型的方法[。计算机和化学工程。2003年,27(3): 293-311。
[10]文卡塔苏布拉曼尼五世,伦加斯瓦米,卡武里南。过程故障检测和诊断评论第二部分:定性模型和搜索策略[。计算机和化学工程。2003年,27(3): 313-326。