基于多元統(tǒng)計(jì)分析的生產(chǎn)過程故障診斷研究

《基于多元統(tǒng)計(jì)分析的生產(chǎn)過程故障診斷研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、基于多元統(tǒng)計(jì)分析的生產(chǎn)過程故障診斷研宄一、主元分析簡介傳統(tǒng)的多元統(tǒng)計(jì)過程監(jiān)測與控制方法(MultivariateSPM&C)非常適合用來分析二維穩(wěn)態(tài)過程的數(shù)據(jù)矩陣，包括變量之間的線性關(guān)系。但由于在實(shí)際應(yīng)用中外部條件并不都是理想的，因此需對(duì)基本多元統(tǒng)計(jì)方法作出改進(jìn)，縱觀近年來的研宄文獻(xiàn)，主要有以下一些方法：1.多14主元分析(MPCA):MPCA可以用來分析從間歇生產(chǎn)或者半間歇生產(chǎn)過程中獲得的多維數(shù)裾矩陣。通過一定的線性轉(zhuǎn)換將多維數(shù)裾矩陣切割成多個(gè)二維子數(shù)據(jù)模塊，然后按照新的排列順序，轉(zhuǎn)化為二維數(shù)據(jù)矩陣，再應(yīng)用基本PCA方法進(jìn)行診斷分析。2.多重或多數(shù)據(jù)塊PCA(Hierach

2、iealormulti—bloekPCA):可以將大的原始數(shù)據(jù)矩陣分解成多個(gè)子數(shù)據(jù)矩陣或者數(shù)據(jù)塊，使得建模過程數(shù)據(jù)信息的分析更加簡便。3.動(dòng)態(tài)PcA(DynamicPCA):能夠?qū)崟r(shí)監(jiān)視巾于時(shí)滯變量的影響而不斷增大的數(shù)據(jù)矩陣，實(shí)現(xiàn)抽取與時(shí)間關(guān)聯(lián)的關(guān)系信息，以實(shí)現(xiàn)過程同步監(jiān)測以及設(shè)計(jì)實(shí)時(shí)控制器。4.非線性PCA(NonlinearPCA):是從PCA基本方法中延伸出來的，非線性現(xiàn)象幾乎存在于一切實(shí)際生產(chǎn)過程中，利用非線性PCA可以抽取過程變量間的非線性關(guān)系。5.PLS是基于推論模型(炙似于二級(jí)變量模型(SecondaryVriableModel)或者軟測量傳感器(SoftSen

3、sor))的用于在線質(zhì)量控制的一種方法，主要是針對(duì)那些過程中有許多最終產(chǎn)品質(zhì)量參數(shù)以及與生產(chǎn)率有關(guān)的變量，而這些變:W:—般都具有嚴(yán)重的時(shí)滯現(xiàn)象，并且難以直接測獲得。6.自適應(yīng)PCA能夠通過指數(shù)濾波持續(xù)的更新模型參數(shù)(Wbld，1994)，以達(dá)到自動(dòng)調(diào)整診斷模型，實(shí)現(xiàn)故障診斷的準(zhǔn)確性和實(shí)時(shí)性。在近年來的文獻(xiàn)中，有關(guān)基于多元統(tǒng)計(jì)分析的過程監(jiān)測與控制方法成功應(yīng)用的案例有廣泛的記載。在現(xiàn)實(shí)的生產(chǎn)過程，如冶金、橡膠、制藥以及石化工業(yè)屮，多元統(tǒng)計(jì)分析主要的應(yīng)用領(lǐng)域包括數(shù)據(jù)表現(xiàn)(模型)、數(shù)據(jù)壓縮和信息抽取、正常過程的行為監(jiān)控、非正常過程的監(jiān)測及辨識(shí)(如故障診斷)以及在線推論控制等。主元分

4、析的數(shù)學(xué)原理主元分析(PCA)是由Pearson(1901)最早提出來的，F(xiàn)isher和Maehenzie(1923)認(rèn)為,主元分析在系統(tǒng)相應(yīng)方差分析方面的用途比在系統(tǒng)建模方面的用途要大。Hoteinng(1933)對(duì)主元分析方法進(jìn)行了改進(jìn)，使其成為了目前被廣泛應(yīng)用的方法。主元分析(PCA)是一種較為成熟的多元統(tǒng)計(jì)監(jiān)測方法。在化工生產(chǎn)中能夠獲取觀測值的顯式變量數(shù)量眾多，且相互間又存在復(fù)雜的相關(guān)性，應(yīng)用PCA的方法將顯式變量作一定的線性轉(zhuǎn)化產(chǎn)生數(shù)量較少的隱式變量，降低原始數(shù)裾空間的維數(shù)，再從新的隱式變量屮提取主要變化信息及特征。這樣既保留了原有數(shù)據(jù)信息的特征，乂消除變量間的關(guān)聯(lián)

5、、簡化分析雜度,從新的數(shù)據(jù)空間中提取符合相應(yīng)要求的主元數(shù)，同時(shí)也消除了部分的系統(tǒng)噪聲干擾。主元分析的對(duì)象是樣本點(diǎn)x變量類型的數(shù)據(jù)表。其目標(biāo)是在力保數(shù)據(jù)信息丟失最少的情況下，對(duì)高維變量空間進(jìn)行降維處理。假設(shè)數(shù)據(jù)矩陣x(m、n),m代表測量采樣次數(shù)，n代表測S變y:個(gè)數(shù)，主元分析方法的數(shù)據(jù)壓縮過程實(shí)質(zhì)上是數(shù)據(jù)矩陣X協(xié)方差矩陣的譜分解過程。主元分析的對(duì)象是樣本點(diǎn)x變量類型的數(shù)據(jù)表。其目標(biāo)是在力保數(shù)據(jù)信息丟失最少的情況下,對(duì)高維變量空間進(jìn)行降維處理。假設(shè)數(shù)據(jù)矩陣x(m、n)，m代表測量采樣次數(shù)，n代表測量變量基于多元統(tǒng)計(jì)分析的生產(chǎn)過程故障診斷研宄一、主元分析簡介傳統(tǒng)的多元統(tǒng)計(jì)過程監(jiān)測

6、與控制方法(MultivariateSPM&C)非常適合用來分析二維穩(wěn)態(tài)過程的數(shù)據(jù)矩陣，包括變量之間的線性關(guān)系。但由于在實(shí)際應(yīng)用中外部條件并不都是理想的，因此需對(duì)基本多元統(tǒng)計(jì)方法作出改進(jìn)，縱觀近年來的研宄文獻(xiàn)，主要有以下一些方法：1.多14主元分析(MPCA):MPCA可以用來分析從間歇生產(chǎn)或者半間歇生產(chǎn)過程中獲得的多維數(shù)裾矩陣。通過一定的線性轉(zhuǎn)換將多維數(shù)裾矩陣切割成多個(gè)二維子數(shù)據(jù)模塊，然后按照新的排列順序，轉(zhuǎn)化為二維數(shù)據(jù)矩陣，再應(yīng)用基本PCA方法進(jìn)行診斷分析。2.多重或多數(shù)據(jù)塊PCA(Hierachiealormulti—bloekPCA):可以將大的原始數(shù)據(jù)矩陣分解成多個(gè)

7、子數(shù)據(jù)矩陣或者數(shù)據(jù)塊，使得建模過程數(shù)據(jù)信息的分析更加簡便。3.動(dòng)態(tài)PcA(DynamicPCA):能夠?qū)崟r(shí)監(jiān)視巾于時(shí)滯變量的影響而不斷增大的數(shù)據(jù)矩陣，實(shí)現(xiàn)抽取與時(shí)間關(guān)聯(lián)的關(guān)系信息，以實(shí)現(xiàn)過程同步監(jiān)測以及設(shè)計(jì)實(shí)時(shí)控制器。4.非線性PCA(NonlinearPCA):是從PCA基本方法中延伸出來的，非線性現(xiàn)象幾乎存在于一切實(shí)際生產(chǎn)過程中，利用非線性PCA可以抽取過程變量間的非線性關(guān)系。5.PLS是基于推論模型(炙似于二級(jí)變量模型(SecondaryVriableModel)或者軟測量傳感器(SoftSens