基于DPC-SVDD的工业过程模态辨识与故障检测

摘要

在复杂的现代工业过程中，任何微小故障的发生都有可能对产品的质量和生产过程的安全性造成巨大的威胁，因此对工业过程的故障检测研究显得尤为重要。由于生产条件或计划的改变，一个工业过程往往会分阶段地生产不同的产品类型，呈现出多模态特性。多模态包含稳定模态和过渡模态，不同的模态对应着不同的过程特性，因此需要首先进行模态辨识，然后建立故障检测模型。 本文针对多模态工业过程的多模态特性，提出了一种基于改进密度峰值聚类(Density Peaks Clustering,DPC)的模态辨识方法，改进了DPC聚类算法的距离和密度公式，对训练数据进行聚类，得到模态辨识结果。 针对过渡模态的进一步精确划分，结合DPC聚类算法和支持向量数据域描述(Support Vector Data Description，SVDD)，对SVDD算法的松弛因子进行加权改进，考虑过程数据时间尺度上的连续性，提出了一种基于DPC-SVDD的过渡模态辨识方法。 模态辨识完成之后，针对多模态工业过程的故障检测研究，提出了一种基于DPC聚类的故障检测方法，并采用主元分析(Principal Component Analysis，PCA)分别对各个模态建立不同的多元统计分析故障检测模型。当新数据到来时，对新数据进行模态归类和在线故障检测。 本文提出的模态辨识方法不需要预先指定聚类数目，而且考虑了过程数据时间尺度上的连续性，同时考虑稳定模态和过渡模态，更符合实际工业过程的特点。通过对田纳西伊斯曼过程和青霉素发酵过程的仿真研究，本文提出的方法可以有效地辨识出稳定模态和过渡模态，从而建立更精确的故障检测模型，大大降低了误报率和漏报率，验证了该方法的有效性。

目录

第一个书签之前