基于核可预测元分析的非线性过程监测技术

摘要

信息技术的发展使得现代工业过程逐渐趋于智能化和复杂化，为保障工业过程的安全可靠，过程监测技术变得越来越重要，基于数据驱动的方法是目前该领域中的重点研究方向，其关键是如何更有效的利用工业过程中大量的过程数据进行过程监测。
　　核可预测元分析（Kernel Forecastable Component Analysis，KForeCA）是一种新的数据特征提取方法，具有非常好的非线性数据处理能力，它在高维特征空间通过线性变换使得数据中的不确定性最小化，分解得到可预测主元空间和正交白噪声空间，并且考虑数据的时序相关性。因此，相比传统的方法，KForeCA方法可以提取具有动态时序特性和预测性的数据特征。
　　基于KForeCA的这些优点，本文将KForeCA用于非线性故障检测与诊断领域，构造新的基于概率的监控统计量，并根据KForeCA可预测性的特点，将其用于缓慢故障的预测，对过程监测技术作了有益的探索。具体来讲，本文的主要工作有如下几个方面。
　　1.将KForeCA用于非线性故障检测，提出基于概率的集成统计量构造方法，突出有用信息的作用，提高了故障检测的灵敏度，并将移动窗方法用于监测过程，将历史数据信息考虑到当前过程信息中，提高了过程监测的性能。
　　2.提出基于Fisher核可预测元分析（Fisher-KForeCA）的故障诊断方法，将 KForeCA提取的可预测主元，投射到最优分类方向，基于判别式最小距离进行故障诊断，避免了冗余信息对故障分类的影响，降低了故障诊断的错误分类率。
　　3.基于KForeCA提取特征的可预测性特点，提出KForeCA-SVR的缓慢故障预测方法，用于对缓慢故障进行故障预测，有效防止该类故障带来的损失，确保过程的安全可靠。
　　4.将基于KForeCA的过程监测技术应用于南极风电光伏数据监控系统中，对系统中蓄电池组的性能进行监测，分离性能降低的蓄电池，使得系统供电更加可靠和安全。

目录

声明

第一章 绪论

1 .1 论文研究背景与意义

1 .2 故障检测与诊断的研究方法

1.2.1基于分析模型的方法

1.2.2基于定性经验知识的方法

1.2.3基于数据驱动的方法

1 .3 故障检测与诊断方法的研究现状

1.3.1 基于人工智能方法的研究现状

1.3.2基于多元统计方法的研究现状

1 .4 本文的主要研究内容和论文结构

第二章 可预测元分析算法及其特性

2 .1 引言

2.2 主元分析（PCA）

2.3 可预测元分析（ForeCA）

2.3.1 ForeCA的基本原理

2.3.2 ForeCA的实现

2.3.3 ForeCA的基本特性分析

2 .4 本章小结

第三章 基于KForeCA的非线性故障检测与诊断

3 .1引言

3.2 KForeCA的基本原理

3.3 基于KForeCA非线性故障检测

3.3.1 集成监控统计量

3.3.2 监控统计量的控制限

3.3.3 基于KForeCA的非线性故障检测模型

3.4 基于KForeCA的故障变量分离

3.5 基于Fisher-KForeCA的故障诊断

3.5.1 Fisher判别式分析方法原理

3.5.2 基于Fisher-KForeCA的故障诊断模型建立

3 .6仿真及结果分析

3.6.1 TE（Tennessee Eastman Process）仿真平台

3.6.2 基于KForeCA的非线性故障检测性能分析

3.6.3 基于KForeCA的故障变量分离性能分析

3.6.4基于Fisher-KForeCA的非线性故障诊断性能分析

3 .6 本章小结

第四章 基于KForeCA-SVR的缓慢故障预测

4 .1 引言

4 .2支持向量回归的原理

4.3基于KForeCA-SVR的缓慢故障预测模型

4.3.1 KForeCA-SVR的基本原理

4.3.2 故障预测模型建立

4 .4仿真及结果分析

4 .5 本章小结

第五章 南极泰山站风电光伏数据监控系统

5 .1 风电光伏数据采集传输监控系统

5.1.1 风电光伏数据采集及传输系统

5.1.2 数据解析软件

5 .2 风电光伏监控系统蓄电池组性能监控

5.2.1 蓄电池组性能监控模型

5.2.2 南极泰山站风电光伏监控系统蓄电池组监控

5 .3 本章小结

第六章 总结与展望

6 .1 本文工作总结

6 .2 研究展望

参考文献

致谢

攻读硕士学位期间已发表或录用的论文