基于数据驱动的化工过程故障监测与诊断分析

《基于数据驱动的化工过程故障监测与诊断分析》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、随着现代工业生产过程的大型化和复杂化，迫切需要提高工业生产过程系统的可靠性和安全性，使得事故发生甚至系统崩溃所造成的经济损失得以避免，因此能够准确及时的检测，诊断和消除故障成为研究的重点之一，并U具有重要的现实意义。复杂的工业过程中精确的数学模型很难建立，但过程数据很容易获得，因此对基于数据驱动方法的研究具有重要的理论价值和广泛的应用价值。目前，随着控制理论、信息技术等领域的逐渐发展，过程的故障诊断技术也得到了更加深入的发展。本文的主要研究内容是以小波分析和主元分析(PrincipalCompon

2、entAnalysis,PCA)的基本理论为基础，将主元分析PCA去线性变量相关性的能力与小波变换提取变量局部特征和近似分解变量自相关性的能力综合起来，提出一种改进的多尺度主元分析算法(MultiscalePrincipalComponentAnalysis,MSPCA)用于化工过程故障监测。在此基础上，对检测到的故障进行进一步诊断，提出一种统计学方法和模式识别方法(即自适应的模糊神经网络(ANFIS))相结合的故障诊断新策略。该方法通过MSPCA对数据进行特征提取，然后将特征值输入ANFIS分类

3、器进行故障识别与诊断。完成的具体工作如下：(1)基于改进MSPCA的故障监测针对化工过程中难以监测到的较小偏移性故障，提出了一种改进MSPCA的故障监测算法。首先利用小波阈值去噪的方法，消除原始过程数据中的大部分高频随机噪声，使得数据不受噪声的影响，然后利用小波分解将去噪后的数据分解成逼近系数和细节系数，分别在各个尺度上建立主元分析模型，对各个尺度小波系数消噪并重构得到综合尺度的故障监测模型。通过对化工过程一TE过程的仿真研究，验证了该方法的可行性和有效性。与传统PCA方法和传统MSPCA相比，改

4、进MSPCA方法能有效、及时地监测到过程中的缓变故障。(2)基于MSPCA-ANFIS的故障诊断当故障被检测到后，需要进一步对故障进行识别与诊断。为此，本文提出一种基于MSPCA-ANFIS的故障诊断新策略。该方法采用前述MSPCA方法提取的特征作为ANFIS分类器的输入，然后用ANFIS分类器进行故障识别。通过特征提取将高维的输入变量转变成低维的，同时保留重要的特征信息用于故障诊断。ANFIS是一个多输入单输出的系统，如果只用一个ANFIS分类器对所有故障进行诊断，这样会增加网络结构的复杂性和降

5、低诊断能力。因此，木文采用多个ANFIS分类器进行故障诊断，以此提高故障诊断的速度和有效性，同时降低了算法的复杂度，易于工业实现。通过对TE过程的仿真研究，骑证了该方法的可行性和有效性。关键词：小波变换;多尺度主元分析；自适应的模糊神经网络；过程监测；故障诊断AbstractInmodernprocessindustries,withtherapiddevelopmentofmassproduetionandcomplexity,reliabilityandsecurityarebeinggrea

6、tlyaddressedtoavoidlargeeconomicallossresultedfromaccidentsandabnormalbreakdownsofindustrialproductions.Therefore,theprocessingmonitoringisbecomingoneofthemostactiveresearchareasinprocesscontrol.TheProcessofcomplexindustrialisdifficulttoestablishaprec

7、isemathematicalmodel.However,itiseasytoobtaintheprocessdata.Statisticalprocessmonitoring(SPM)aredatadrivenmethods,whichreliesonlyonthehistoricprocessdataanddonotrequireanyformofmodelinformation,theyhavebeenpaidmoreattention.Themaincontentofthispaperis

8、basedonthetheoryofwaveletanalysisandprincipalcomponentanalysis.Theprincipalcomponentanalysis(PCA)toremovelinearvariablecorrelationcapabilitiesandwavelettransformtoextractlocalfeaturestogether,animprovedmulti-scalePCAalgorithmusedinchemicalproc