基于改進(jìn)KPCA和SVDD故障檢測(cè)的應(yīng)用研究.pdf

1、隨著工業(yè)過(guò)程中自動(dòng)化系統(tǒng)的快速發(fā)展，傳統(tǒng)的故障診斷方法已經(jīng)無(wú)法解決復(fù)雜工業(yè)過(guò)程中在線監(jiān)控問(wèn)題。在實(shí)際工業(yè)生產(chǎn)中，不可避免地會(huì)出現(xiàn)系統(tǒng)設(shè)備老化、工況變換和元器件損壞等因素。若這些微小故障源不能及時(shí)處理，就會(huì)導(dǎo)致工業(yè)系統(tǒng)癱瘓影響產(chǎn)品質(zhì)量，嚴(yán)重時(shí)會(huì)引發(fā)重大爆炸事故。因此，工業(yè)化工過(guò)程故障檢測(cè)與識(shí)別已成為過(guò)程控制領(lǐng)域中的重要研究?jī)?nèi)容，并已得到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。
　　基于數(shù)據(jù)驅(qū)動(dòng)的監(jiān)控方法既可以不受數(shù)學(xué)模型的限制，還能夠利用工業(yè)生產(chǎn)過(guò)程

2、中所采集數(shù)據(jù)對(duì)復(fù)雜工業(yè)過(guò)程實(shí)現(xiàn)在線實(shí)時(shí)性監(jiān)控。本文詳細(xì)介紹了工業(yè)過(guò)程中常用的幾種故障檢測(cè)模型，在原有檢測(cè)算法模型的基礎(chǔ)上進(jìn)一步做出適當(dāng)完善，實(shí)現(xiàn)工業(yè)化工過(guò)程的故障檢測(cè)。本課題以田納西-伊斯曼工業(yè)化工過(guò)程（TE）作為研究平臺(tái)，通過(guò)該平臺(tái)完成生產(chǎn)模擬過(guò)程并采集TE運(yùn)行過(guò)程數(shù)據(jù)。針對(duì)工業(yè)化工生產(chǎn)過(guò)程中所產(chǎn)生數(shù)據(jù)具有變量多、維數(shù)高的特點(diǎn)，利用傳統(tǒng)主元分析（PCA）具有良好降維特性，建立PCA故障檢測(cè)模型。由于PCA方法需要假設(shè)工業(yè)化工過(guò)程中樣本

3、數(shù)據(jù)服從高斯分布且只能提取線性主元，引入核主元（KPCA）算法提取非線性特征主元構(gòu)建故障檢測(cè)模型。KPCA基本思想是通過(guò)原始空間映射到高維特征空間中，再在特征空間中進(jìn)行主元分析，從而實(shí)現(xiàn)樣本數(shù)據(jù)可分性。將PCA模型和KPCA模型應(yīng)用于TE仿真平臺(tái)，實(shí)驗(yàn)結(jié)果表明KPCA模型對(duì)故障檢測(cè)效果要優(yōu)于PCA模型。
　　針對(duì)現(xiàn)實(shí)工業(yè)生產(chǎn)過(guò)程中一直存在非線性、非高斯和多種噪聲等特性問(wèn)題，提出了改進(jìn)KPCA和SVDD故障檢測(cè)模型。首先，為減少噪聲

4、對(duì)KPCA方法提取數(shù)據(jù)非線性影響，提出了改進(jìn)KPCA方法。在KPCA特征空間中對(duì)樣本數(shù)據(jù)做信號(hào)重構(gòu)誤差計(jì)算，使特征空間中的樣本數(shù)據(jù)能夠自動(dòng)識(shí)別并去除異常點(diǎn)。增強(qiáng)KPCA算法對(duì)非線性核映射，提取核主元；然后，為進(jìn)一步解決工業(yè)過(guò)程數(shù)據(jù)中含有非高斯特性的問(wèn)題，文中引入支持向量數(shù)據(jù)描述（SVDD）算法。SVDD算法對(duì)故障檢測(cè)時(shí)不需要假設(shè)工業(yè)化工過(guò)程數(shù)據(jù)服從高斯分布，又具有良好的分類效果。采用SVDD方法對(duì)改進(jìn)KPCA中求出的核主元建立故障檢測(cè)模