基于pca的流程工业故障诊断方法研究

《基于pca的流程工业故障诊断方法研究》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、西南科技大学研究生学位论文基于PCA的流程工业故障诊断方法研究年级2013姓名刘琴申请学位级别硕士专业控制科学与工程指导教师于春梅教授ClassifiedIndex:TP277U.D.C:621.3SouthwestUniversityofScienceandTechnologyMasterDegreeThesisResearchonFaultDiagnosisofProcessIndustrybasedonPCAGrade:2013Candidate:LiuQinAcademicDegreeApp

2、liedfor:MasterSpeciality:ControlScienceandEngineeringSupervisor:Prof.YuChunmeiMay.25,2016独创性声明本人声明所呈交的论文是我个人在导师指导下迸行的研究工作及取得的研究成果。尽我所知，除了文中特别加Ｗ标注和致谢的地方外，论文中不包含其他人己经发表或撰写过的研究成果，也不包含为获得西南科技大学或其它教育机构的学位或证书而使用过的材料一。与我同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说

3、明并表示了谢意。签名：表曰期：劝３日巧｜巧川关于论文使用和授权的说明本人完全了解西南科技大学有关保留、使用学位论文的规定，目Ｐ；学校有权保留学位论文的复印件，允许该论文被查阅和借阅；学校可ｔｕ公布该论文的全部或部分内容，可［＾采用影印、缩印或其他复制手段保存论文。保密的学位论文在解密后应遵守此规定Ｉ（）签名？：知导师签名日期：＼缉ｊ焉＼命刮巧６巧巧西南科技大学硕士研究生学位论文第I页摘要故障诊断对保证流程工业生产安全、提高产品质量有着重要作用。本文针对实际流程

4、工业过程中存在的数据信息提取、多模态、数据分布复杂等问题，对流程工业故障诊断方法进行研究。具体包括：(1)针对传统主元分析方法在数据降维中仅考虑数据全局结构的问题，采用一种局部整体结构保持投影（LGSPP）算法，使投影后的低维空间不仅和原始空间有相似的整体结构，而且保留了相似的局部结构。将高维数据降维到低维空间后，构造统计量和贝叶斯分类器对故障进行检测和辨识；考虑到数据中存在的动态问题，构造含有前h个观测的增广矩阵，将其应用到LGSPP算法中，改善了动态工业过程的故障检测效果。TE过程的仿真结果表明

5、了算法的有效性。(2)从数据预处理的角度改善工业过程数据的多模态问题，在对数据进行标准化处理时引入局部近邻标准化策略，得到LNS-LGSPP算法。采用LNS对数据进行标准化处理，去除不同变量量纲的影响以及多模态数据的多分布特征，将处理后的数据应用到LGSPP算法中进行故障检测。数值仿真和TE过程的仿真结果表明了该算法在多模态过程监控中的有效性。关键词:故障检测主元分析局部保持投影多模态局部近邻标准化西南科技大学硕士研究生学位论文第II页AbstractFaultdiagnosisoftheproce

6、ssindustryplaysanimportantroleinensuringthesafetyofindustrialproductionandimprovingproductquality.Thispaperstudiesondatainformationextraction,multi-modeandcomplexdistributedprocessdataoffaultdiagnosisforprocessindustry.Themaincontentsareasfollows:(1)Fo

7、rtraditionalPCAmethodonlyconsidersdata’sglobalstructureintheprocessofdatadimensionalityreduction,thispaperappliesamethodcalledlocalandglobalstructurepreservingprojections(LGSPP),whichcanprojectthedatatoalow-dimensionalfeaturespacethathassimilarlocality

8、neighborhoodstructureandglobalstructurewithoriginalspace.Afterprojection,statisticsandBayesianclassifierareusedtodetectandidentifyfault.Consideringthedynamicproblemindata,augmentedmatrixcontainingthefirsthobservationsisconstructed.Simul