论文部分内容阅读
保证现代复杂工业过程安全且有效地运行对于提高产品质量至关重要,故障诊断技术是提升控制系统可靠性、安全性,保证过程稳定运行的有效手段之一。随着信息技术的发展,数据采集和存储成本降低,工业过程积累了海量的数据,促使基于数据驱动的故障诊断方法在近二十多年中取得了长足发展,其中多变量统计过程监控方法成为研究热点之一,产生了许多理论研究成果,也得到了广泛的应用。传统的多变量统计过程监控方法假设过程数据采集自稳定的单一工况、服从高斯分布、变量之间满足线性关系等。但是,随着工业过程的复杂化,所获得的过程测量数据常常不满足上述假设。面对复杂的工况过程,本文以经典的k近邻规则为主要方法,开展基于k近邻方法的故障检测、故障隔离和故障重构等问题的研究。全文的主要研究内容如下：(1)针对过程数据分布复杂且变量维数较高时的故障检测问题,提出利用随机投影和k近邻相结合的快速故障检测方法,该方法首先利用随机投影对数据进行降维处理,相较于PCA(Principle Component Analysis)降维方法,随机投影能够在降维的同时保持样本之间的距离近似不变,可以与k近邻检测算法很好地结合,不但能够降低计算复杂度,同时在随机子空间中也能保证k近邻算法的故障检测性能。(2)针对多传感器故障隔离问题,提出了一种新的基于k近邻的故障隔离方法。传统的多变量统计过程监控方法的框架下,故障隔离主要采用贡献分析方法,如贡献图、局部分解贡献和基于重构的贡献等方法。然而,这些主要的贡献分析方法都受到故障污染效应影响,容易导致误隔离,即将未受故障直接影响的传感器错误地判定为故障传感器。另外,这些主要的贡献分析方法对多个传感器故障不具备可隔离性。本文提出基于k近邻的多传感器故障隔离方法,在原始测量空间根据样本与近邻之间累计距离定义了新的故障贡献指标,从而避免故障污染问题,而且对有多个测量变量受故障影响或多传感器故障具有可隔离性。(3)针对故障重构问题,分析了一类代表性的故障重构方法,即基于PCA的故障重构和估计方法,通过理论分析和实验验证指出该方法在特定情况下并不能够唯一地隔离出真实受故障直接影响的传感器,特别是当故障影响一个或多个传感器致使这些传感器的测量值出现明显的偏差,导致测量变量间的相关关系发生变化时,基于PCA的重构方法无法给出唯一的隔离结果。另外,该方法对故障幅值的估计精度也不高。针对这些不足之处,尝试从k近邻回归的角度解决重构问题,提出了改进型基于k近邻回归的故障重构和估计方法,所提出的方法能够处理有多个测量变量受故障影响的问题,而且对数据分布不作限制和要求,适用于非线性、非高斯过程数据。最后对全文进行总结,并探讨了未来有待进一步研究的课题和方向。