基于田纳西一伊斯曼过程故障检测方法研究

摘要

多变量统计过程控制方法(MSPC)已经被广泛地应用于关于化工过程的监测研究，并且得到了专家和学者们的重视。由于化工过程的监测算法可以通过田纳西-伊斯曼(TE)数据来验证提出的算法有效性和可行性，美国Eastman化学公司的Downs和Voge l根据该公司一个实际的化工联合反应过程，开发的TEBe nchmark实验平台，并由该平台产生TE数据。因此，本论文主要的研究对象是TE数据，针对复杂的工业过程，提出了以下几种有效的过程监测方法。　　(1)针对复杂工业过程中的非线性和非高斯信息问题，建立了一种新的基于主成分分析和支持向量数据描述(PCA-SVDD)的故障检测模型。由于支持向量数据描述(SVDD)模型具有不受线性和高斯假设的限制的优点，克服了传统主成分分析(PCA)统计检测方法假设过程满足线性和高斯分布的缺点。首先，应用主成分分析法对过程数据进行分解，提取出得分矩阵信息。然后，采用支持向量数据描述(SVDD)算法对得分矩阵建立基于距离的统计量并构建其相应的统计限。最后，通过TE数据的仿真实验说明了本章算法的有效性和可行性，而且提高了对故障的检测率。　　(2)针对化工过程监测的数据可能含有稀疏噪声的情况。提出了鲁棒主成分分析和支持向量数据描述(RPCA-SVDD)的故障检测模型。由于鲁棒主成分分析(RPCA)不仅能从稀疏噪声污染数据中恢复出低秩矩阵数据，而且支持向量数据描述(SVDD)算法能克服数据满足线性和高斯假设的不足。采用加速近端梯度(AP G)算法来实现对鲁棒主成分分析的求解。最后，通过对田纳西-伊斯曼(TE)仿真实验证明了该章提出的算法是可行性的。结果说明了该章提出的算法有效地改善了故障的监测效果。　　(3)针对实际的工业过程产生的数据会受较大的且稀疏噪声污染，因此采用传统主成分分析(PCA)处理此类数据效果不佳。低秩矩阵与稀疏分解(LRSD)能够分解出高维数据中反应本质的低秩矩阵数据，且不受到稀疏噪声影响的优点，本章提出了一种基于低秩矩阵与稀疏分解和主元分析(LRSD-PCA)故障检测方法。首先，应用低秩矩阵与稀疏分解( LRS D)提取出高维数据中的低秩数据。其次，利用低秩矩阵与稀疏分解(LRSD)算法得到的低秩数据，建立主元分析模型。最后，通过一个数值仿真例子和TE仿真数据，结果表明该算法是有效的。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.3 主要研究内容

第二章 基本方法

2.1 主成分分析(PCA)算法

2.2 鲁棒主成分分析法

2.3 支持向量数据描述算法

第三章 基于主成分分析和支持向量数据描述(PCA-SVDD)的故障检测方法

3 .1 基于主成分分析(PC A)的信息提取方法

3.2 基于PCA与SVDD的故障检测方法

3.3 过程的故障检测实施步骤

3.4 田纳西-伊斯曼(TE)仿真研究

3.5 本章小结

第四章 基于鲁棒主成分分析和支持向量数据描述的故障检测方法

4.1 基于鲁棒主成分分析(RPCA)的信息提取方法

4.2 基于RPCA-SVDD故障的检测方法

4.3 过程的故障检测实施步骤

4 .4 田纳西一伊斯曼( TE)仿真研究

4.5 本章小结

第五章 基于低秩矩阵与稀疏分解和主元分析(LRSD-P CA)的故障检测方法

5 .1 基于LR SD-PC A的故障检测方法

5.2 过程的故障检测实施步骤

5.3 仿真研究

5.4 本章小结

第六章 总结和展望

6.1 工作总结

6.2 课题展望

参考文献

个人简历 在读期间发表的学术论文

致谢