基于局部线性嵌入和指数判别分析的故障诊断方法研究

摘要

工业过程具有规模性大、复杂性高、变量多、关联性强等特点，如何从数据出发准确、快速地发现故障并处理，保证过程高效运行意义重大。而且工业过程数据具有高维、非线性的特点，因此提取数据特征对于故障诊断非常重要。另外，一个准确、可靠的故障诊断系统对于工业过程的正常运行具有重要作用。基于此，本文以局部线性嵌入(LLE)和指数判别分析(EDA)为基础，提出了几种改进的故障诊断方法，并通过TE仿真平台及青霉素发酵过程仿真平台进行了验证。
　　首先，提出一种改进的针对间歇过程的故障识别方法——核指数判别分析方法(KEDA)，利用基于差异度的性能指标进行故障诊断。KEDA方法结合了核方法和EDA方法的优点，在处理非线性、小样本问题上展现了很强的能力，并且在分类性能上有明显的改善。在故障识别的实际应用中，首先根据历史数据建立己知类别的正常模型和故障模型。然后，将在线测量数据输入到这些模型中，以识别当前的操作状态，即系统处于正常状态还是故障状态。若为故障状态，该方法可判断何种故障发生或是否出现了新故障。
　　其次，结合LLE和EDA方法，提出两种改进的指数判别分析方法:局部线性指数判别分析(LLEDA)和邻近保持嵌入判别分析(NPEDA)。这两种方法都将全局判别分析与局部几何结构相结合。其中，LLEDA是一种并行策略，旨在寻找一个平衡局部几何结构和全局数据分类之间的投影矢量。NPEDA是一种级联策略，其降维过程分为保持局部结构与判别分析两步进行。这两种方法在进行全局判别分析的同时，强调了数据的内在结构，仿真表明，相比于传统的指数判别分析方法(EDA)，其具有更好的识别能力。
　　最后，针对复杂的工业过程，提出了一种多方法结合的混合型过程监控与故障诊断方法，集数据分析、模型库建立、故障及时诊断及可视化等算法为一体。首先通过常规PCA方法对历史数据进行初筛，区分出正常和故障信息，然后利用聚类方法对故障数据集进行分类，再利用局部线性指数判别分析方法(LLEDA)建立故障模型库，最后进行故障诊断。本文将基于监督学习的LLEDA方法拓展到无监督学习，便于复杂工业大量无标签数据的处理。利用典型的田纳西伊士曼过程对所提出的方法进行验证，结果证明了该方法的有效性。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 故障诊断综述

1．2．1 相关基本概念

1．2．2 故障诊断方法分类

1．3 流行学习方法

1．4 课题来源

1．5 论文的结构与研究内容

第二章 相关基础理论及仿真平台介绍

2．1 指数判别分析方法(EDA)

2．2 局部线性嵌入方法(LLE)

2．3 TE仿真平台简介

2．4 青霉素发酵过程

2．5 本章小结

第三章 基于局部线性嵌入和指数判别分析的故障诊断方法

3．1 基于核指数判别分析的故障诊断方法研究

3．1．1 核指数判别分析方法(KEDA)

3．1．2 故障识别过程

3．1．3 仿真实验验证

3．2 基于局部线性嵌入和指数判别分析的故障诊断方法研究

3．2．1 局部线性指数判别分析方法(LLEDA)

3．2．2 邻近保持嵌入判别分析方法(NPEDA)

3．2．3 基于LLEDA和NPEDA方法的故障诊断

3．2．4 仿真实验

3．3 本章小结

第四章 基于混合型判别分析的工业过程监控及故障诊断

4．1 混合型故障诊断方法

4．2 基于数据驱动的故障诊断方法

4．2．1 数据分析

4．2．2 聚类分析方法

4．2．3 故障诊断方法

4．3 仿真研究

4．3．1 历史数据故障初筛及分类

4．3．2 LLEDA故障诊断

4．3．3 故障诊断结果可视化

4．4 本章小结

第五章 结论与展望

参考文献

致谢

研究成果及发表的学术论文

作者及导师简介