论文部分内容阅读
随着科技的飞速发展，现代工业过程的系统结构与设备工况变得日趋复杂，系统设备在长期运行过程中还会产生大量的输入、输出数据。不断增长的数据量、过程的非线性和各种不确定干扰已成为影响工业过程系统安全可靠运行的重要因素。对于复杂程度高、动态特性建模难、过程数据不符合高斯分布的非线性工业过程，其整体的运行性能容易受到故障和非正常工况的负面影响，难以用传统的、基于系统机理模型的方法进行处理。如何有效地利用在过程系统中测量得到的大量数据来预测过程的关键性能指标，提高生产效率，实现经济效益最大化，已成为当前学术界与工业界广泛关注的课题之一。因此，在大数据意义下对非线性工业过程的预测问题进行研究具有重要的理论和实际意义。本文在偏最小二乘（PLS）模型与局部加权映射回归（LWPR）算法的理论分析基础上，结合两种方法各自的优点与理论上的重叠之处，改进并提出了适用于非线性过程预测的LWPR-MPLS算法。该算法只需使用非高斯分布的动态输入、输出数据，为非线性过程的关键性能指标提供在线的预测，以及四个可推广至实时监测与故障诊断的统计检测指标。为了进一步确定所提出算法的有效性，分别基于由MATLAB仿真得到的过程数据，以及由法国FCLAB ResearchFederation提供的质子交换膜燃料电池系统的真实过程数据，对算法进行了多次验证。结果表明，LWPR-MPLS算法一方面能够较为准确地实现对非线性工业过程的在线预测，另一方面可以用两个改进后得到的统计量将过程中的异常现象及时而准确地反映出来，与其它过程监测统计检测指标相互配合时可以得到较好的故障诊断效果。最后，将经过验证的算法推广至燃料电池系统的寿命预测问题，以燃料电池系统的总电压作为关键性能指标，针对不同的失效阈值估计了该系统在某一时刻后对应的剩余使用寿命。