论文部分内容阅读
近年来，随着现代科学技术的发展和进步，现代化工生产过程日趋复杂化、大型化。任何系统内某一点故障的发生，如若不能及时发现处理，都会带来巨大的经济损失和人员伤亡。因此，准确、及时的故障诊断已经成为保证产品质量和工厂稳定运行的关键因素。智能化技术的发展，促成了生产过程中的大量实时数据被采集保存起来。这些数据隐含了大量信息却并没有被充分利用。为此本文依托于这些数据，采用模式识别的思想提出了一种新的故障诊断方法，以提高生产系统的安全性。论文主要研究的是基于动态特性与稀疏表示的故障方法，主要工作有以下几个方面: (1)采用基于稀疏表示的故障诊断方法。目前多变量统计分析方法在进行故障诊断时，将故障检测与确定故障类型作为两个独立的问题，采用不同的方法分步进行解决，相对比较繁琐复杂。模式识别方法中用于故障诊断的分类器大部分是针对于两类问题进行设计的，因此在对多类故障进行分类时需要训练多个分类器加以组合才能确定故障类型。针对以上问题，本文提出了一种基于稀疏表示的故障诊断方法。 (2)引入了动态特性信息作为新特征改善诊断效果。当前各种故障诊断方法都是假设每维数据在时间轴上是独立的，然而这种假设在大多数的工业过程中都是不现实的，测量变量并不是序列无关的，具有一定的动态特性。而且不同的故障产生时，同一变量所具有的动态特性也是不一样的。因此，故障数据的动态特性有效提取和表示是提高故障诊断效果的有效途径之一。同时在模式识别领域，有效的特征表示是成功分类的关键因素。本文基于以上考虑，引入了故障动态特性作为分类特征的补充。 (3)通过字典优化提高诊断水平。稀疏表示的本质就是利用过完备字典中的基元对测试样本进行线性组合。过完备字典的好坏直接决定了稀疏表示的效果，以至于决定了最后的分类效果，因此构建一个优异的冗余字典是非常重要的。本文采用Feature-sign算法和Lagrange dual算法对字典进行迭代优化提高诊断效果。