基于独立空间KICA和先验知识KMEA故障监测方法研究

摘要

现代工业过程的大型复杂化使得过程监测得到的数据信息越来越丰富，对过程控制的要求越来越高。所以学者们对工业过程的故障监测越来越重视。基于数据驱动的故障监测方法在故障诊断领域应用广泛，众多学者在该研究方向上取得了突出的成就。针对间歇过程数据的非线性、非高斯性和多阶段性，本文提出一种基于独立元信息的子数据空间划分的多方向核独立元分析故障诊断方法;针对工业过程现场只有少量的标记样本和大量未标记样本，为了利用专家先验知识，本文提出一种基于先验知识的正则化约束核边缘费舍尔分析特征提取故障分类检测方法，该方法可以提高故障分类的精确率。 本文为了解决间歇过程的三维数据问题，将训练数据按批次展开处理。为了解决涉及少数变量的隐藏故障，本文提出了基于独立元信息划分的子数据空间核独立元分析故障诊断方法。本文利用独立元信息作为划分空间的依据，使空间之间具有很好的差异性，更能全面分析数据每一方向的特性。在每一个子数据空间内建立核独立元分析监测模型，利用多模型共同监测，捕捉容易被遗漏信息。然后再将监测结果合并，达到统监测的效果。这样从整体到局部，再到整体的这一个过程，能够将隐藏的局部信息扩大，提高了故障监测率，使故障更为明显的体现出来。 本文为了解决工业生产过程中获取标记信息的难度大，而获得未标记信息比较容易的情况，本文为了能够获得更好的监测效果，利用少量标记信息结合大量未标记信息进行特征提取。本文在费舍尔分析的基础上加上正则化局部结构保持和边缘分析来进行特征提取，并加入核函数辅助映射过程。本方法很好的利用了先验知识，并在特征提取时很好的保持了数据的空间结构关系，对数据的局部信息进行很好的监测。本方法能够使故障类别区分明显，同类数据更加集中，不同类数据区分更加明显。实验表明，本方法能够很好地监测出故障信息，在和其它方法进行比较之后，验证了本文提出的基于先验知识的核边缘费舍尔分析特征提取故障分类方法的优越性。

目录

声明

摘要

第1章绪论

1．1课题背景与研究意义

1．2故障诊断研究内容与研究方法

1．2．1故障诊断基本概念

1．2．2故障诊断的研究方法

1．3国内外研究现状

1．4本文主要内容

第2章基于数据驱动的故障监测基本理论

2．1．2特征空间中数据的白化

2．1．3利用修正ICA提取非线性独立元

2．2 Fisher判别式分析

2．3特征提取问题与方法

2．3．1 KPCA特征提取算法

2．3．2 MLP特征提取算法

2．3．3多维尺度算法

2．3．4 ISOMAP算法

2．3．5最大方差展开算法

2．4核函数方法简介

2．5半监督学习算法

2．5．1半监督学习算法的三个假设

2．5．2半监督学习理论

2．5．3半监督学习的应用

2．6小结

第3章基于独立子空间的KICA故障监测方法

3．1 前言

3．2基于独立信息的子数据空间划分算法

3．2．1间歇过程多方向展开

3．2．2离线建模

3．2．3在线监测

3．3实验仿真

3．3．1青霉素发酵过程

3．3．2仿真结果分析

3．4本章小结

第4章基于先验知识的SKMFA故障监测方法

4．2 KMFA特征提取方法

4．2．1基于核函数的特征映射

4．2．2构建领域流形图

4．2．3基于KMFA的特征提取

4．3．1正则化局部保持

4．3．2成对约束项

4．4基于先验知识的正则化成对约束KMFA特征提取

4．4．1基于先验知识的特征提取

4．4．2贝叶斯分类器分类

4．5基于先验知识学习的正则化约束KMFA故障监测

4．6仿真研究及结果分析

4．6．1电熔镁炉介绍

4．6．2仿真结果分析

4．7本章小结

第5章总结与展望

5．1总结

5．2展望

参考文献

致谢