基于多元統(tǒng)計(jì)分析的非高斯過程的故障診斷.pdf

1、本文研究數(shù)據(jù)驅(qū)動(dòng)的工業(yè)過程監(jiān)控和故障診斷技術(shù)，主要針對(duì)多元統(tǒng)計(jì)方法和非高斯問題的若干缺點(diǎn)和該領(lǐng)域的一些難題，提出了相應(yīng)的解決方案，以TE過程為主要實(shí)驗(yàn)對(duì)象，驗(yàn)證了所提方法的有效性和優(yōu)越性。
　　 傳統(tǒng)的非線性方法如KPCA和KICA都是靜態(tài)的，沒有考慮過程的動(dòng)態(tài)特性，而且沒有變量貢獻(xiàn)分析方法用于故障診斷。所以，本文提出了核動(dòng)態(tài)獨(dú)立成分分析(KDICA)，該方法將自回歸模型、核變換同獨(dú)立成分分析結(jié)合起來，實(shí)現(xiàn)對(duì)非線性非高斯動(dòng)態(tài)過程

2、的監(jiān)控。接著提出了基于分步思想的變量貢獻(xiàn)分析方法用于故障診斷。這里，自回歸模型階次，即過程動(dòng)態(tài)階次，是利用高階累積量辨識(shí)確定的，能夠有效抑制高斯噪聲的影響。
　　 很多實(shí)際過程同時(shí)包含高斯特性和非高斯特性，伴隨著非線性和動(dòng)態(tài)性，并且傳統(tǒng)的非線性方法對(duì)于微小故障的檢測(cè)和診斷效果很不理想。為此，本文提出了動(dòng)態(tài)核獨(dú)立成分分析-主成分分析(DKICA-PCA)，該方法利用自回歸模型來獲取過程動(dòng)態(tài)特性，通過兩步法分別提取過程的非高斯特征和

3、高斯特征。值得注意的是，此處動(dòng)態(tài)階次不是利用前面提到的高階累積量辨識(shí)的方法確定的，因?yàn)楦唠A累積量方法只適用于非高斯過程。在這里提出了一種通過計(jì)算核矩陣特征值的自動(dòng)確定過程動(dòng)態(tài)階次的方法，該方法對(duì)線性和非線性自回歸模型都是有效的。為了進(jìn)一步提高檢測(cè)的穩(wěn)定性和檢測(cè)/診斷微小故障的能力，在DKICA-PCA的基礎(chǔ)上，又利用指數(shù)加權(quán)滑動(dòng)平均(EWMA)濾波提出了動(dòng)態(tài)濾波核獨(dú)立成分分析-主成分分析(DFKICA-PCA)，最后提出了基于指標(biāo)偏導(dǎo)數(shù)

4、的非線性變量貢獻(xiàn)分析用于故障診斷。
　　 特征選取和維度縮減，尤其是在非線性過程和高斯特性與菲高斯特性并存的過程中，是過程監(jiān)控和故障診斷的一大難題，這是因?yàn)镮CA算法得到的獨(dú)立成分都具有單位方差，不能像PCA算法得到的主成分那樣按方差大小排序，而且，即使通過其它方法如非高斯性大小對(duì)獨(dú)立成分排序，獨(dú)立成分和主成分也不具有可比性。為此，本文提出了一種計(jì)算獨(dú)立成分方差的方法(VIC)，該方差和主成分的方差有相同的物理意義。而且，本文還

5、提出了一種平均值和相對(duì)變化值聯(lián)合準(zhǔn)則(AE&RVE)來更好地確定特征的選擇限。使用VIC和AE&RVE，可以得到新的KICA方法，能夠?qū)崿F(xiàn)非高斯特征與高斯特征的可比較性選擇以及全新的KICA-PCA。值得注意的是，該特征選擇和維度縮減方法同樣適用于線性過程。
　　 所有傳統(tǒng)PCA相關(guān)的方法都只利用了低階統(tǒng)計(jì)信息且只對(duì)過程低階統(tǒng)計(jì)信息進(jìn)行監(jiān)測(cè)，所有傳統(tǒng)ICA相關(guān)的方法雖然利用了高階統(tǒng)計(jì)信息提取了獨(dú)立成分，但也只是對(duì)過程的低階統(tǒng)計(jì)信