基于多元统计理论的故障检测与诊断.doc

硕士学位论文开题报告及论文工作计划书课题名称 基于多元统计理论的故障检测与诊断 学 号 姓 名 专 业 学 院 导 师 副导师 选题时间 2015 年 9 月 1 日中北大学研究生院2015年 9月 19 日5一、立论依据课题来源、选题依据和背景情况、课题研究目的、理论意义和实际应用价值随着现代化工业大生产的不断发展和科学技术的进步，现代化生产过程正朝着大型化，集成化、复杂化和精细化的方向发展。由于生产系统结构复杂化，系统内部的不同部分之间相互关联，相互耦合，如果一处发生异常状况不能正常工作，就可能引起链式反应，导致整个生产过程不能正常运行。现场工人根据大量的机器设备和计算机采集到的数据判断出过程异常情况是很困难的，然而一旦异常的生产情况不能被及时发现，及时排除，就很可能导致生产中断，有时甚至爆炸、有毒物质泄漏等事故的发生，不仅给生产带来巨大的经济损失，而且还会严重威胁着人身安全，甚至对我们所居住的环境也会造成严重的破坏。近年来灾难性生产事故时有发生，如1979年美国三里岛核电站发生泄漏，损失几十亿美元。随着计算机技术及各种智能方法的大量涌现及应用，过程监测或故障检测和诊断技术（Fault Detection and Diagnosis, FDD）得到了飞速的发展。过程监测的目标是通过识别不正常行为来确保过程成功地按计划运行。这些信息不仅保持系统操作员和维护人员不断了解过程的运行状态，而且还帮助这些人员做出适当的补救措施，以消除过程的不正常行为。其结果是：预防事故，保证人身和设备安全；推动设备维修制度的改革，从定时维修向预知维修转化；提高经济效益。正确的过程监测使停产时间最小化，设备运行的安全性得以改进，生产成本得以减少。由此对故障检测和诊断技术的研究有着深刻的理论价值和不容忽视的现实指导意义。基于多元统计分析的监测方法不依赖于精确的数学模型，充分利用现有的生产过程数据就能够完成生产过程故障监测与诊断。统计过程监测方法具有可实现性强，方法简单等优点，历经三十年的发展，取得了一系列瞩目的成果，并在现代工业生产中得到了广泛应用。本课题研究以田纳西伊斯曼过程为背景，一方面对过程故障进行了详细的分析，另一方面使用PCA和KPCA方法以及ICA和KICA对几类故障进行了检测与诊断的研究，并使用核独立元分析与简易支持向量机结合的方法对故障进行诊断进行了详细的研究。为进一步降低错分率，使用粒子群优化简易支持向量机参数，进一步提高模型精度。二、文献综述国内外研究现状、发展动态；所阅文献的查阅范围及手段在工业故障检测和诊断上应用的多元统计方法主要有：PCA、独立成分分析（ICA）和支持向量机（SVM）等。而随着多元统计研究的不断深入，学者们提出了很多改进的多元统计方法。PCA最早是由Pearson于1901年提出的，MacGregor提到了几种PCA方法在工业过程监测中的应用。Leo和Randy给出了计算每一变量对和的贡献的方法，可用来进行故障识别。尽管PCA在统计过程监测中已有很多成功的应用，但它的应用范围却还仅限在分析变量间具有线性关系的静态数据中。为了将PCA推广到更广阔的应用范围，又有学者将核主元分析（KPCA）、并将其应用于非线性过程。KPCA将原始数据空间映射到高维空间，再进行PCA处理。实际故障诊断效果表明，KPCA较PCA来说有更好的故障诊断效果。而大多数工业过程属于间歇过程，或者动态过程，Leo、Chen等人分别提出多向主元分析（MPCA）36和动态主元分析（DPCA）方法，分别应用于间歇过程和动态过程中，有不错的故障检测和诊断效果，目前仍有学者不断对这些方法进行了改进，如Pabara-Ebiere Patricia等人提出了CV-KPCA方法，并以TE过程为仿真平台，仿真表明了其很好的故障检测和诊断效果。又由于工业过程中数据分布问题，Lee将用于盲源分离的ICA方法也被引入到过程监控和故障诊断中来，解决了检测数据分布的非高斯性问题，在故障检测和诊断效果上较PCA方法更为优越，说明其有更好的适用条件。同PCA一样，为了使ICA应用于非线性过程，随后又有学者提出了ICA的扩展方法：核独立成分分析（KICA）。KICA方法在TE过程仿真中，对于某些ICA未能有较高检测率的故障，KICA却有相对高的故障检测率，由于要用核函数映射到高维空间，计算时间大大增加。在2003年S.V.N. Vishwanathan等人提出并实现的一种新的计算支持向量的方法简易支持向量机（Simple SVM，SSVM）。采用迭代工作集支持向量的算法，具有效率高、速度快和存储数据量小等独特特点。与在全体数据中运用相同处理过程的传统SVM相比，这种方法能大大减少计算时间。粒子群优化算法(Particle Swarm Optimization，简称PSO)是于1995年美国的Kennedy和Eberhart受鸟群觅食行为的启发在IEEE International Conference on Neural Network上提出的。这是一种基于群智能的演化计算方法的启发式全局优化技术。由于PSO算法简单，易于实现，无需梯度信息，参数少，所以短期内得到很大发展，迅速地得到了国际演化计算研究领域的认可。关于此类问题的文献主要为学术论文与期刊，可以从图书馆提供的检索系统和相关网站上的科技期刊中查阅得到，查找范围可以是基于数据分析的故障诊断类文章，关键词为PCA、ICA、SVM等。另外还可以参考实验室往年本课题的有关资料。三、研究内容1研究构想与思路、主要研究内容及拟解决的关键技术本课题研究的构想与思路主要如下：1）采用核独立元分析（KICA）方法，对田纳西伊斯曼过程数据进行了故障检测和诊断，并与基本的主元分析(PCA)等算法进行了对比研究。仿真结果表明，能够提取非线性主元的核独立元分析方法具有较好的故障检测和诊断效果。2）在引入简易支持向量机的同时，采用了基于核独立元分析和简易支持向量机结合的故障诊断方法。利用核独立元分析提取故障数据的非线性独立元，然后用简易支持向量机建立故障诊断模型，降低了故障诊断的错分率。3）针对简易支持向量机方法的模型参数选择对模型的精度有很大影响的问题，采用粒子群算法对简易支持向量机模型参数进行优化。并通过对故障的深入研究，提取主要变量，然后采用KICA-SSVM方法进行仿真实验，大大降低了故障诊断的错分率，表明该方法具有很好的故障诊断效果。本课题的主要研究内容有：以统计理论在过程监测中的应用为基础，主要对核独立元分析和支持向量机方法在过程检测和诊断中的应用进行了深入研究。利用核独立元分析方法提取出过程数据的非线性特征。然后将提取出来的非线性特征使用和控制图的控制限，监测过程变量质量，检测是否在控制线以内。一旦所采集数据超出了所设定的指标，就需要进行故障诊断，准确的定位故障。由于支持向量机对样本的适应性强，而且用适当的少量样本就可以建立起精度较高的预测模型来，所以在工业过程监测领域有着很好的应用前景。针对工业过程数据具有冗余性和复杂性，采用基于核独立元分析的简易支持向量机方法，可以利用核独立元分析对数据进行核变换，将低维空间非线性数据映射到高维空间，变为线性数据，再进行独立元分析，这样能降低样本空间的维数，消除数据的相关性，这些包含主要信息的特征向量作为简易支持向量机的输入，利用简易支持向量机进行训练，建立故障识别模型。 对参数选取方面引入了粒子群优化方法，但是效果有一定的局限性，并没有实质性降低故障错分率。经过变量选取，找到能够代表数据特征的几个主要变量进行仿真实验时，错分率才大大降低。在如何减少对故障的无用信息数据方面可以做进一步的研究，效果更明显一些。2拟采取的研究方法、技术路线、实施方案及可行性分析本课题将采取“理论分析设计方案仿真实验结果分析”的方法进行研究，紧密结合实际，既要注重理论研究成果，同时也注重解决实际问题。本课题采用的技术路线及实施方案是在统计过程理论基础上设计算法，并结合过程数据使用MATLAB工具进行仿真实验。对于过程故障检测与诊断来说，如何消除数据之间的相关性及如何提高数据质量是取得好的效果的前提。本文首先分2种情况进行过程故障检测与诊断做了对比，分别是（1）不经任何特征提取处理就用SSVM进行故障检测与诊断；（2）用线性特征提取方法KICA进行特征提取然后用SSVM进行故障检测与诊断；之后才用粒子群优化简易支持向量机参数方法和变量提取方法分别建立故障检测与诊断模型，取得了较好效果。四、研究基础1所需实验手段、研究条件和实验条件本课题主要采取理论研究形式，并采用计算机仿真进行实验。2所需经费，包含经费来源、开支预算（工程设备、材料须填写名称、规格、数量）所需经费由导师提