基于多元统计分析的工业过程故障检测研究

摘要

随着单元机组自动化水平的不断提高，其热控系统的规模也在不断扩大，复杂程度日益提高。随之而来的问题就是故障点数目的增加和隐蔽性的增强。现有的热控系统故障检测与诊断方法已经不能满足生产现场的需要，因此有必要对适用于热控系统的先进故障检测与诊断技术展开研究。
　　考虑到热控系统本身所具有的特点，本文利用基于数据驱动的多元统计分析法对其进行研究。非负矩阵分解作为一种新兴的多元统计分析技术，在实现数据维数约减时具有正向纯加性的特点，其分解结果可以理解为对过程数据基于部分的描述，在某种程度上非负矩阵分解抓住了智能数据描述的本质，因此非负矩阵分解有着比传统多元统计分析方法更优秀的数据描述能力。目前，非负矩阵分解思想在故障检测与诊断领域内的应用还处于起步阶段。本文以广义投影非负矩阵分解算法为核心算法，以基于广义投影非负矩阵分解的故障检测与诊断模型为基础，围绕热控系统中所存在的几个问题对广义投影非负矩阵分解模型进行扩展研究。概括起来本文的研究工作主要包括以下几个方面:
　　(1)通过借鉴投影非负矩阵分解算法嵌入线性投影的思想，提出了一种新的非负矩阵分解改进算法——广义投影非负矩阵分解算法，新方法在对迭代规则的推导过程进行改进的同时也放宽了对原始数据矩阵的非负约束。广义投影非负矩阵分解算法所得到的系数矩阵拥有更好的正交性和稀疏性。此外，广义投影非负矩阵分解算法的收敛性在理论上也是可证的。
　　(2)基于广义投影非负矩阵分解算法构建适用于热控系统的故障检测与诊断模型，并设计适用于广义投影非负矩阵分解算法的监控统计量TG2和SPEG，它们的控制限将由核密度估计法来确定。为了在检测到系统故障后成功的将引起故障的过程变量进行分离，本文还设计了基于TG2和SPEG的贡献图法。
　　(3)针对现代工业过程中时常出现的数据丢失现象，对基于广义投影非负矩阵分解算法的监控模型的鲁棒性进行研究。考虑到该模型在测试集不完整时鲁棒性较差的情况，本文提出利用二阶马尔科夫链模型与基于广义投影非负矩阵分解算法的监控模型相结合的方式来处理测试集不完整情况下系统的故障检测问题。试验表明在测试集数据缺失率达到30％时该方法的故障检测准确率仍然超过了90％。
　　(4)针对广义投影非负矩阵分解算法数据分类能力的不足，本文尝试在广义投影非负矩阵分解算法的求解过程中引入Fisher判别分析的最优分类思想，提出一种有监督的学习方法——Fisher广义投影非负矩阵分解算法。进而将系统的故障检测与诊断问题转化成多类数据分类的问题。试验结果表明Fisher广义投影非负矩阵分解算法可以很好的处理系统中所出现的多故障问题。

目录

声明

摘要

第1章 绪论

1．1 课题的背景和意义

1．2 故障检测与诊断方法研究现状

1．2．1 FDD的实现过程

1．2．2 FDD的方法分类

1．2．3 数据驱动的FDD方法

1．3 工业过程的特性分析

1．3．1 被控对象的特性分析

1．3．2 过程数据的特性分析

1．4 非负矩阵分解的研究现状

1．4．1 NMF的研究现状

1．4．1 NMF算法在FDD领域的应用前景

1．5 论文的内容安排

第2章 火电厂热控系统故障诊断内容及实现原则

2．2 TCS典型故障分析报告

2．3 TCS可靠性分析

2．3．1 TCS可靠性的影响因素

2．3．2 提高TCS可靠性的现有手段

2．4 TCS故障诊断的研究范围和研究对象

2．5 TCS故障诊断现有方法

2．6 TCS故障诊断系统设计原则

2．7 本章小结

第3章 广义投影非负矩阵分解算法

3．1 引言

3．2 NMF基本算法

3．3 嵌入线性投影的NMF算法

3．3．2 正交投影非负矩阵分解算法

3．4 GPNMF算法的提出

3．5 GPNMF算法收敛性证明

3．6 非负双奇异值分解初始化方法

3．6．1 NDSVD方法的提出

3．6．2 仿真验证

3．7 GPNMF算法性能分析

3．8 本章小结

第4章 基于GPNMF算法的FDD模型研究

4．1 引言

4．2 基于PCA的故障检测方法

4．2．1 概述

4．2．2 PCA故障检测方法

4．2．3 基于传统贡献图的故障诊断技术

4．3 监控统计量的设计

4．3．1 监控统计量T2和SPE的内涵分析

4．3．2 适用于GPNMF的监控统计量

4．3．3 基于贡献图的故障诊断

4．4 监控统计量控制限的求取

4．5 基于GPNMF的故障检测方法

4．6 故障检测实例

4．6．1 故障检测

4．6．2 故障分离

4．7 本章小结

第5章 数据缺失情况下的GPNMF故障检测方法研究

5．1 引言

5．2 GPNMF模型的鲁棒性检验

5．3 马尔科夫理论概述

5．3．1 MCM的基本原理

5．3．2 马尔可夫性检验

5．3．3 时间序列的生成

5．4 缺失数据预处理方法

5．4．1 基于二阶MC的时间序列建模

5．4．2 预测精度评估算法

5．4．3 传统缺失值估计算法

5．4．4 缺失值双向估计算法

5．4．5 误差对比

5．5 仿真验证

5．6 本章小结

第6章 多故障条件下的GPNMF故障检测方法研究

6．1 引言

6．2 FDA方法简介与分析

6．2．1 FDA的基本原理

6．2．2 分析讨论

6．3 FGPNMF算法的提出

6．3．1 FGPNMF算法

6．3．2 FGPNMF收敛性证明

6．4 基于FGPNMF的故障检测方法

6．5 仿真验证

6．5．1 单故障验证

6．5．2 多故障验证

6．6 本章小结

第7章 结论与展望

参考文献

攻读博士学位期间发表的论文及其它成果

攻读博士学位期间参加的科研工作

致谢

作者简介