基于稀疏主元分析的故障检测研究

基于稀疏主元分析的故障检测研究

论文摘要

随着工业过程的发展,其规模越来越大,流程也越来越复杂。在工业过程运行过程中,如果设备或过程出现了故障而没有得到及时的检测与处理,不仅会降低生产效率,增加维护成本,严重时甚至会威胁到人类的生命安全。因此为了预防事故的发生,在工业现场引入一种实时有效的故障检测系统变得十分重要。在众多的工业过程故障检测方法中,多元统计方法得到了广泛的应用,吸引了越来越多的工业界与学术界的关注。主元分析法(Principal Component Analysis,PCA)是最为常见的多元统计方法之一。其主要思想是将采集到的数据进行降维处理,提取数据中的主元(即负荷矩阵),从而进行有利于后续分析的故障检测。但其重要问题在于,降维所采用的得分矩阵通常是稠密矩阵,这使得主元的解释性较低。而稀疏主元分析(Sparse Principal Component Analysis,SPCA)方法通过稀疏化主元负荷矩阵,提高了主元的可解释性,并且在在线检测时能具有更快的运算效率。首先,针对工业过程所具有的动态特性,本文利用SPCA的思想,结合动态主元分析法(Dynamic Principal Component Analysis,DPCA)的优点,提出了稀疏动态主元分析(Sparse Dynamic Principal Component Analysis,SDPCA)。稀疏动态主元分析方法先通过叠加时间滞后变量的方式,建立动态数据模型,然后再通过添加LASSO(Least Absolute Shrinkage and Selection Operator)惩罚项获取动态数据的稀疏主元。SDPCA既考虑到了数据的时序自相关性,又能提高主元的可解释性。通过数值例子和田纳西-伊斯曼化工过程,结果证明了SDPCA方法可以获得更好的故障检测效果。其次,针对稀疏主元分析方法中的非零负荷数目(NNZL)确定问题,本文也进行了研究讨论。前向选择方法主要是通过贪婪算法来确定NNZL,其缺点是前后关联度不高。本文基于前向选择方法进行了改进,提出了向前关联的前向选择算法。同时,基于遗传优化算法(Genetic Algorithm,GA)整定NNZL的思想,提出利用效率更高的粒子群算法(Particle Swarm Optimization,PSO)来整定NNZL。仿真结果表明,PSO相较于GA更适合整定稀疏主元中的NNZL。

论文目录

  • 摘要
  • ABSTARACT
  • 第一章 绪论
  •   1.1 课题研究的目的意义
  •   1.2 故障检测技术概述
  •     1.2.1 故障检测的基本概念
  •     1.2.2 故障检测方法分类
  •   1.3 稀疏主元分析的研究现状
  •     1.3.1 多元统计分析的研究背景
  •     1.3.2 稀疏主元分析的研究现状
  •   1.4 本文章节安排
  • 第二章 基于主元分析的故障检测方法介绍
  •   2.1 单变量统计方法
  •   2.2 基于PCA的多元故障检测方法
  •     2.2.1 主元分析
  •     2.2.2 主元分析的故障检测
  •   2.3 田纳西-伊斯曼过程
  •   2.4 本章小结
  • 第三章 基于稀疏动态主元分析的故障检测
  •   3.1 基于稀疏主元分析的故障检测
  •   3.2 基于稀疏动态主元分析的故障检测
  •     3.2.1 动态主元分析
  •     3.2.2 稀疏动态主元分析
  •   3.3 故障检测结果的系统验证
  •     3.3.1 数值仿真结果
  •     3.3.2 田纳西-伊斯曼过程结果
  •   3.4 本章小结
  • 第四章 基于PSO的 NNZL的选择方法
  •   4.1 基于前向选择的整定方法
  •     4.1.1 逐一关联的前向选择法
  •     4.1.2 向前关联的前向选择法
  •   4.2 基于优化算法的整定方法
  •     4.2.1 基于GA算法的整定方法
  •     4.2.2 基于PSO算法的整定方法
  •   4.3 NNZL整定结果比较
  •     4.3.1 Pitprops数据集
  •     4.3.2 田纳西-伊斯曼过程寻优结果比较
  •   4.4 本章小结
  • 第五章 总结与展望
  •   5.1 研究内容与创新点
  •   5.2 未来工作展望
  • 参考文献
  • 攻读硕士学位期间的研究成果
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 段怡雍

    导师: 高金凤

    关键词: 故障检测,主元分析法,稀疏主元分析,非零负荷数目,粒子群算法

    来源: 浙江理工大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 数学,自动化技术

    单位: 浙江理工大学

    分类号: O212.4;TP277

    DOI: 10.27786/d.cnki.gzjlg.2019.000061

    总页数: 57

    文件大小: 2407K

    下载量: 85

    相关论文文献

    • [1].基于稀疏动态主元分析的故障检测方法[J]. 计算机测量与控制 2019(04)
    • [2].基于小波树和二维主元分析的人脸识别[J]. 佳木斯大学学报(自然科学版) 2015(01)
    • [3].基于主元分析的空气压缩机故障诊断探析[J]. 内燃机与配件 2017(03)
    • [4].基于稀疏主元分析的过程监控研究[J]. 计算机工程与应用 2014(18)
    • [5].基于小波的自适应主元分析在过程监测中的应用[J]. 弹箭与制导学报 2008(01)
    • [6].基于主元分析的焚烧炉系统在线过程监控[J]. 科技经济导刊 2017(28)
    • [7].一种基于相对主元分析的故障检测方法[J]. 北京化工大学学报(自然科学版) 2014(04)
    • [8].结合小波变换和图像主元分析的人脸识别[J]. 计算机工程与应用 2010(04)
    • [9].基于双向二维加权主元分析的人脸表情识别[J]. 计算机工程与应用 2008(10)
    • [10].基于动态概率主元分析的统计过程监测[J]. 计算机与应用化学 2008(04)
    • [11].基于敏感稀疏主元分析的化工过程监测与故障诊断[J]. 控制与决策 2016(07)
    • [12].浅析主元分析方法在火电厂生产过程故障检测中的运用[J]. 神州 2012(24)
    • [13].基于优化相对主元分析的铝电解槽况诊断[J]. 计算机应用 2014(08)
    • [14].基于独立主元分析的汽轮机性能监测与评估[J]. 控制工程 2012(01)
    • [15].基于动态主元分析的控制系统性能评价方法[J]. 浙江科技学院学报 2015(03)
    • [16].一种模式关联主元分析的海流机故障检测方法[J]. 山东大学学报(工学版) 2017(05)
    • [17].动态核概率主元分析模型及其应用[J]. 清华大学学报(自然科学版) 2008(S2)
    • [18].动态批次主元分析在化工过程中的应用研究(英文)[J]. 沈阳化工学院学报 2010(01)
    • [19].基于主元分析的不同白血病细胞判别[J]. 光电子.激光 2009(10)
    • [20].基于相对主元分析的风电机组塔架振动状态监测与故障诊断[J]. 电力建设 2014(08)
    • [21].基于鲁棒主元分析的故障诊断方法[J]. 中国石油大学学报(自然科学版) 2008(01)
    • [22].多尺度主元分析的一种改进方法[J]. 计算机与应用化学 2008(07)
    • [23].基于核函数主元分析的机械故障模式识别方法的研究[J]. 噪声与振动控制 2008(05)
    • [24].基于变权重主元分析的航天电源系统诊断方法研究[J]. 仪器仪表学报 2018(08)
    • [25].基于主元分析的锅炉系统故障检测与诊断[J]. 机电信息 2016(24)
    • [26].基于小波包主元分析的表面肌电信号特征识别[J]. 河南理工大学学报(自然科学版) 2015(02)
    • [27].基于核函数主元分析的滚动轴承故障模式识别方法[J]. 轴承 2008(06)
    • [28].改进主元分析方法及数据重构在工业系统中的故障诊断研究[J]. 南京理工大学学报 2019(01)
    • [29].基于改进多尺度主元分析的故障监测[J]. 计算机与应用化学 2014(08)
    • [30].一种基于改进型自适应滑动窗算法的主元分析[J]. 华东理工大学学报(自然科学版) 2012(03)

    标签:;  ;  ;  ;  ;  

    基于稀疏主元分析的故障检测研究
    下载Doc文档

    猜你喜欢