基于隐马尔可夫模型的工业过程监测方法研究

摘要

随着现代工业过程复杂性的不断增加，有效的过程监测和诊断手段对于保证工业设备的安全运行、提升产品的质量、提高产品的利润以及促进环境的可持续性发展具有重要的作用。而由于传感器的广泛使用，越来越多的工业数据被采集，这促使了过去十几年来基于数据的工业过程监测技术的快速发展。尽管如此，基于数据驱动的工业监测技术仍有许多不足。因此，本文针对工业过程中数据的动态性、不确定性、非线性等复杂特性，基于动态贝叶斯网络下的隐马尔可夫模型研究工业过程监测方法。本文研究的主要内容包括以下三个方面:
　　1.针对现代工业数据特性的复杂性，考虑到单一的特征提取方法可能无法取得良好的效果，提出了一种基于自适应特征提取的工业故障监测方法。该方法在进行特征提取前，先对数据的特性进行分析，然后针对不同的数据特性选用最适合的特征提取方法，以达到最大程度保留有效信息的目的，从而提高了故障识别的准确率。
　　2.考虑到并非所有采集的数据信息都有利于故障识别，本文提出一种基于有效的变量选择和滑动窗隐马尔可夫模型的工业故障监测方法。首先，提出了一种基于变异系数的变量选择方法来选择工业过程中对故障更为敏感的变量。其次，考虑到单个样本对噪声更为敏感，且包含的有效信息可能不足，不利于故障识别的缺点。引入移动窗利用样本间的依赖性来提高故障在线识别的准确性。最后，考虑到除了已知的故障外，在工业过程中未被考虑的故障也极有可能呈现并需要更多关注，定义了一个基于滑动窗隐马尔可夫模型的阈值统计量，用于识别未知故障。
　　3.针对由于多种操作工况的存在，使得传统的故障检测方法并不适用的复杂工业过程，提出了一种基于滑动窗隐马尔可夫模型的多工况过程监测方法。首先，本文引入移动窗口来利用样本间的依赖性来提高在线模式识别的准确性，而不是仅仅考虑单个样本的后验概率。其次，定义了一个基于滑动窗隐马尔可夫模型的阈值统计量，并用于未知工况的识别。然后，采用维特比算法来识别已知工况，其中已知工况包括稳态工况和过渡过程。最后，提出了一种结合两种概率信息的新型指标监测方案来完成工况识别后的过程监测任务。

目录

声明

摘要

图目录

表目录

缩写术语表

第1章 绪论

1．1 课题的背景及意义

1．2 过程监测研究内容和研究方法

1．2．1 过程监测的基本概念与研究内容

1．2．2 过程监测的研究方法

1．3 基于多元统计分析的过程监测研究

1．3．1 多元统计分析方法的研究进展

1．3．2 工业过程数据特性

1．4 基于HMM的过程监测研究现状

1．4．1 基于多元统计分析的过程监测存在的问题

1．4．2 隐马尔可夫模型的发展现状

1．5 本文主要研究内容和创新点

1．5．1 本文主要研究内容

1．5．2 本文的创新点及各个章节介绍

1．6 本章小结

第2章 基于自适应特征提取的工业故障诊断方法

2．1 引言

2．2 预备知识

2．2．1 主成分分析

2．2．2 核主成分分析

2．2．3 隐马尔可夫模型

2．3 基于自适应特征提取的工业故障诊断方法

2．3．1 非线性度量

2．3．2 故障诊断

2．4 TE过程实验研究

2．5 本章小结

第3章 基于有效变量选择和MV-HMM的工业故障诊断方法

3．1 引言

3．2 基于VS-MVHMM的过程监测方法

3．2．1 有效变量选择

3．2．2 故障识别

3．2．3 算法的步骤

3．3 仿真验证

3．3．1 数值仿真

3．3．2 TE过程实验研究

3．3．3 高炉冶炼过程

3．4 本章小结

第4章 基于MVHMM的多模态过程监测方法

4．1 引言

4．2 基于移动窗HMM的多模态过程监测方法

4．2．1 工况识别

4．2．2 基于新监测指标的在线过程监测

4．2．3 算法的步骤

4．3 仿真验证

4．3．1 数值仿真

4．3．2 TE过程实验研究

4．4 本章小结

第5章 总结和展望

5．1 本文内容总结

5．2 进一步研究和展望

参考文献

攻读博士学位期间完成的学术论文

攻读博士学位期间的科研成果

攻读博士学位期间参加的科研项目

致谢

作者简历