基于贝叶斯独立元分析的多工况工业过程故障诊断方法研究

摘要

随着现代科技的发展，工业系统日趋复杂化大型化，故障诊断技术成为确保其安全可靠运行的关键技术。由于现代工业计算机控制系统实时采集并存储海量过程运行数据，因此研究基于多元数据统计分析的故障诊断方法具有重要的理论意义和应用价值。针对多工况工业过程数据具有的多模态、非高斯特性，本文开展基于贝叶斯 ICA （Bayesian independent component analysis，BICA）的多工况工业过程故障诊断方法研究，并通过仿真分析验证方法的有效性。 首先，针对工业过程数据的多模态、非高斯分布特性，提出一种基于贝叶斯独立元分析（BICA）的故障检测算法。该方法首先将贝叶斯估计与ICA算法相结合，构建概率混合模型描述多模态数据，然后通过优化算法同时完成数据聚类和统计建模。考虑到过程数据的时序相关性，在BICA算法基础上进一步应用矩阵动态扩展技术，建立一种动态 BICA（DBICA）方法，实现对动态多工况过程的实时监控。在连续搅拌反应釜（Continuous Stirred Tank Reactor，CSTR）和田纳西-伊斯曼（Tennessee-Eastman，TE）系统上的仿真结果表明，BICA和DBICA方法能够比传统的ICA、DICA方法更有效的检测过程故障。 然后，针对传统的变量贡献图方法无法表征变量之间信息传递关系的问题，提出一种基于信息传递贡献图的多工况过程故障识别方法。该方法首先计算各变量对BICA集成监控统计量的贡献度，然后通过最近邻传递熵描述故障变量之间的传递性，挖掘故障变量之间的因果关系，从而确定故障传播过程和故障源变量。在一个数值系统和CSTR系统上的仿真研究表明，该方法能够有效挖掘变量之间传递信息，准确定位故障源。 最后，针对整体统计建模忽略了局部变量信息的问题，提出了基于变量分组 BICA算法（Variable Partitioning BICA，VPBICA）的多工况过程故障诊断方法。该方法基于相似度分析进行变量分组，将多模态数据变量划分为模态相关变量模块和模态无关变量模块。对模态相关变量实施BICA算法，而对模态无关变量模块进行ICA统计量建模，融合两个子模块的统计模型监控过程故障。在CSTR系统上的仿真结果表明，该方法能够比ICA、BICA方法更有效的监控过程故障，同时有助于准确识别故障类型。

目录

第一个书签之前