基于可預(yù)測(cè)偏最小二乘算法的復(fù)雜工況過(guò)程的監(jiān)控技術(shù).pdf

1、隨著信息采集、傳輸、存儲(chǔ)和處理技術(shù)的不斷發(fā)展，工業(yè)過(guò)程中有大量反映生產(chǎn)過(guò)程和設(shè)備運(yùn)行的數(shù)據(jù)被采集和存儲(chǔ)，如何有效地利用這些離線和在線數(shù)據(jù)，提取出能夠反映工業(yè)過(guò)程特征的信息，用于工業(yè)過(guò)程的監(jiān)控，以此保證設(shè)備安全運(yùn)行，提高生產(chǎn)效率和產(chǎn)品質(zhì)量，成為了目前故障檢測(cè)與診斷領(lǐng)域的重點(diǎn)研究?jī)?nèi)容。基于數(shù)據(jù)驅(qū)動(dòng)的過(guò)程監(jiān)控技術(shù)應(yīng)運(yùn)而生，已成為未來(lái)過(guò)程監(jiān)控技術(shù)的重要發(fā)展方向?？深A(yù)測(cè)元分析(ForeCA)作為新興的數(shù)據(jù)降維技術(shù)，它能夠找到一個(gè)最優(yōu)的轉(zhuǎn)換方式將多

2、變量時(shí)間序列分解為一個(gè)可預(yù)測(cè)空間和一個(gè)白噪聲空間。分解得到的可預(yù)測(cè)性因子能夠反映過(guò)程的本質(zhì)特征，這主要是由于該算法是從時(shí)間序列的角度出發(fā)，將過(guò)程數(shù)據(jù)的序列相關(guān)性考慮在內(nèi)，且其將時(shí)域特性變換到頻域，在頻域利用信息熵來(lái)衡量不確定性，從而保證較好的可預(yù)測(cè)性。鑒于ForeCA算法的上述優(yōu)點(diǎn)，本文將其引入過(guò)程監(jiān)控領(lǐng)域，并將其用于回歸，與偏最小二乘(PLS)算法相結(jié)合，提出一種基于可預(yù)測(cè)偏最小二乘（ForePLS）的故障檢測(cè)模型，并利用其回歸預(yù)測(cè)性

3、能進(jìn)行多故障診斷，最后將其與時(shí)間序列分析方法相結(jié)合實(shí)現(xiàn)對(duì)緩變故障的預(yù)測(cè)。為探索復(fù)雜工況下的故障檢測(cè)、診斷與預(yù)測(cè)方法做出了有益的嘗試。
　　本研究主要內(nèi)容包括：⑴將ForeCA算法用于回歸并與PLS方法相結(jié)合，提出了可預(yù)測(cè)偏最小二乘（ForePLS）方法。該算法能夠提取出過(guò)程數(shù)據(jù)特征空間中與質(zhì)量變量相關(guān)的可預(yù)測(cè)性特征。⑵將提出的ForePLS方法用于故障檢測(cè)，構(gòu)建基于ForePLS的故障檢測(cè)模型，并根據(jù)ForePLS算法的特點(diǎn)構(gòu)造了

4、CUSUM統(tǒng)計(jì)量和SPE統(tǒng)計(jì)量，用來(lái)進(jìn)行故障的檢測(cè)。⑶提出了基于DForePLS回歸預(yù)測(cè)的多故障診斷方法，為了解決多類分類中的不平衡分類問題，將主動(dòng)學(xué)習(xí)引入故障診斷領(lǐng)域，有目的地挑選邊界附近最有“信息量”的樣本進(jìn)行訓(xùn)練，避免了冗余樣本對(duì)分類器精度的影響，提高了分類器對(duì)故障樣本的識(shí)別能力，同時(shí)也提高了分類器的訓(xùn)練效率。⑷將ForePLS模型與向量自回歸模型結(jié)合，提出了一種針對(duì)緩變故障的基于時(shí)間序列的故障預(yù)測(cè)方法。能夠有效防止這類緩變故障對(duì)