pls及其改进方法在轧制过程故障诊断中的应用研究

《pls及其改进方法在轧制过程故障诊断中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号密级UDC学位论文PLS及其改进方法在轧制过程故障诊断中的应用研究作者姓名:张羽指导教师:刘建昌东北大学信息科学与工程学院申请学位级别:硕士学科类别:工学学科专业名称:控制理论与控制工程论文提交日期:2009年6月18日论文答辩日期:2009年7月4日学位授予日期:答辩委员会主席:高宪文教授评阅人:李鸿儒李令奇东北大学2009年6月AThesisfortheDegreeofMasterinControlTheoryandControlEngineeringResearchonAPPlicationofFaultDiagnosisinRollingProcessbasedonthePLSa

2、ndImProvedPLSMethodsbyZhangyuSuPervisor:LiuJianehangNortheasternUniversityJllne2009少东北大学硕士学位论文摘要PLS及其改进方法在轧制过程故障诊断中的应用研究主众任石丁!司.3(随着我国钢铁自动化技术的迅速发展，人们对轧制过程的可靠性与安全性的要求越来越高，对产品质量的要求越来越严格，对轧制过程进行故障诊断已经成为过程自动化领域的重要研究方向之一。基于数据驱动的故障诊断方法因为不依赖于数学模型以及能够从工业现场在线获得丰富的数据而更具有实用性。偏最小二乘方法(PartialLeastSquares，PLS)是一种

3、利用统计原理提取过程数据的有用信息建立过程模型的降维技术。它不仅可以完成数据降维和特征提取，还考虑了输入输出数据之间的回归关系。本文以轧机液压厚度控制系统和活套控制系统为例，采用PLS方法对其进行故障诊断。由于常规PLS诊断效果不明显，并针对现场数据具有稀疏程度不均和非线性的特点，本文首次提出一种基于相对空间变换的偏最小二乘(RelativeTransformationPLs，RT-PLs)故障诊断方法。该方法采用相对变换理论将原始空间数据变换到相对空间，选择马氏距离作为相对变换的距离公式，在新空间进行PLS分解。马氏距离不受变量量纲的影响，并且可以放大变化微小的变量对样本的作用;相对变换可以

4、提高数据的可分性，使分布均匀的数据变得相对密集。通过RT-PLS分解可以降低相对空间的维数，使提取的主元具有更大的变化度和可区分性，最后根据T，和Q统计量实现在线故障检测，根据累计贡献图实现故障识别。针对现场发生的传感器零点漂移、活套故障以及监控AGC失效这三种故障分别应用PLS以及RT-PLS进行检测和诊断。仿真结果表明，基于RT-PLS的方法比PLS方法更快、更准确地检测到三种故障的发生，并且可以容易地辨识出引起故障的主导变量，达到了预期的故障诊断效果。关键词:故障诊断;偏最小二乘;相对变换;轧制过程沁东北大学硕士学位论文AbstraetResearehonAPPlieationofFau

5、ltDiagnosisinRollingProeessbasedonthePLSandImProvedPLSMethodsAbstractAlongwiththeraPiddeveloPmentofautomationtechnologyinsteelandironfieldinoureountry，therequestofreliabilityandsecurityofrollingeontrolsystem15gettinghigherandProduetquality15beeomingstrieter.ThefaultdiagnosisofstriPmillhasbeeomeoneof

6、themostsignificantresearehdireetionsintheProeessautomationfield.Theteehniqueoffaultdiagnosisbasedondata一driven15aconvenientandusefulmethod，foritdoesn，tdePendonPreeisemathematiealmodelandtheon一lineProeessdataofindustrialProduetionareeasytoobtain.PartialLeastSquares(PLS)analysismethod15adatadimensiona

7、lityreduetionteehnolo既whiehextraetsusefulProeessinformationfromdatatobuildProeessmodelusingstatistiealtheory.ItcannotonlyredueedatadimensionalityandeXtractthedatafeature，butalsoeonsidertheregressionre