论文部分内容阅读
现代工业过程中，随着自动化水平和计算机技术的不断发展，工业系统的规模和复杂程度逐步增大，对其建立较为精确的模型也更加困难，而且复杂的工况使得每一种故障的发生存在多个成因。由于故障之间的相关性，当一种故障发生后，可能会引起系统中其他部分异常，从而发生多故障并发的情况，由于故障之间的耦合特性，多故障诊断比单故障诊断难度更大。因此如何完整诊断出系统中存在的多个具有耦合特性的故障，提升系统的可靠性，保证复杂系统的可靠运行具有重要意义。本文主要研究了具有耦合特性的多故障诊断方法。主要研究工作概括如下:
首先，采用核主元分析(Kernel Principal Component Analysis，KPCA)方法对工业数据进行检测，通过得到工业过程采集的数据在特征空间的主元建立故障诊断模型，通过统计学方法设定故障报警限，进行故障检测。对空气压缩机故障进行故障检测仿真实验，对比KPCA和主元分析效果，经仿真验证KPCA方法可以更好地检测出空气压缩机故障。
然后，为克服KPCA方法因复合效应而无法准确进行多故障诊断的不足，引入指定元分析(Designated component analysis，DCA)的基本理论。研究了基于指定元的多故障诊断方法，建立逐步DCA故障辨识框架进行具有非正交指定元的多故障的故障诊断。通过分析发现当故障存在特征耦合的情况下，基于逐步DCA的故障诊断存在诊断结果不唯一的情况。本文通过基于推广证据(Dezert-Smarandache，DSm)理论的决策层多故障诊断方法，基于广义辨识框架和超幂集概念，表示多故障和多故障之间的关系。通过构建基于混合DSmT的多故障诊断模型，同时结合故障征兆的耦合程度，通过制定相应的融合规则，将逐步DCA的多个诊断结果进行融合。通过仿真程序验证混合DSmT方法可以有效地将多个DCA方法的诊断结果进行融合，得到更准确的故障诊断结果。
最后，通过对DCA残差子空间的研究，在DCA空间投影框架下，创建基于DCA残差空间的未知故障诊断方法，通过残差空间显著性检测未知故障，采用统计学方法估计未知故障模式，并通过仿真分析验证了未知故障诊断方法的有效性。并给出基于耦合特性的多故障诊断完整流程。
首先，采用核主元分析(Kernel Principal Component Analysis，KPCA)方法对工业数据进行检测，通过得到工业过程采集的数据在特征空间的主元建立故障诊断模型，通过统计学方法设定故障报警限，进行故障检测。对空气压缩机故障进行故障检测仿真实验，对比KPCA和主元分析效果，经仿真验证KPCA方法可以更好地检测出空气压缩机故障。
然后，为克服KPCA方法因复合效应而无法准确进行多故障诊断的不足，引入指定元分析(Designated component analysis，DCA)的基本理论。研究了基于指定元的多故障诊断方法，建立逐步DCA故障辨识框架进行具有非正交指定元的多故障的故障诊断。通过分析发现当故障存在特征耦合的情况下，基于逐步DCA的故障诊断存在诊断结果不唯一的情况。本文通过基于推广证据(Dezert-Smarandache，DSm)理论的决策层多故障诊断方法，基于广义辨识框架和超幂集概念，表示多故障和多故障之间的关系。通过构建基于混合DSmT的多故障诊断模型，同时结合故障征兆的耦合程度，通过制定相应的融合规则，将逐步DCA的多个诊断结果进行融合。通过仿真程序验证混合DSmT方法可以有效地将多个DCA方法的诊断结果进行融合，得到更准确的故障诊断结果。
最后，通过对DCA残差子空间的研究，在DCA空间投影框架下，创建基于DCA残差空间的未知故障诊断方法，通过残差空间显著性检测未知故障，采用统计学方法估计未知故障模式，并通过仿真分析验证了未知故障诊断方法的有效性。并给出基于耦合特性的多故障诊断完整流程。