基于數據驅動的化工過程故障監(jiān)測與診斷研究.pdf

1、隨著現代工業(yè)生產過程的大型化和復雜化，迫切需要提高工業(yè)生產過程系統(tǒng)的可靠性和安全性，使得事故發(fā)生甚至系統(tǒng)崩潰所造成的經濟損失得以避免，因此能夠準確及時的檢測，診斷和消除故障成為研究的重點之一，并且具有重要的現實意義。
　　復雜的工業(yè)過程中精確的數學模型很難建立，但過程數據很容易獲得，因此對基于數據驅動方法的研究具有重要的理論價值和廣泛的應用價值。目前，隨著控制理論、信息技術等領域的逐漸發(fā)展，過程的故障診斷技術也得到了更加深入的發(fā)展

2、。
　　本文的主要研究內容是以小波分析和主元分析(Prineipal Component Analysis,PCA)的基本理論為基礎，將主元分析PCA去線性變量相關性的能力與小波變換提取變量局部特征和近似分解變量自相關性的能力綜合起來，提出一種改進的多尺度主元分析算法(Multiscale Principal Component Analysis,MSPCA)用于化工過程故障監(jiān)測。在此基礎上，對檢測到的故障進行進一步診斷，提出一種

3、統(tǒng)計學方法和模式識別方法(即自適應的模糊神經網絡(ANFIS))相結合的故障診斷新策略。該方法通過MSPCA對數據進行特征提取，然后將特征值輸入ANFIS分類器進行故障識別與診斷。完成的具體工作如下：
　　(1)基于改進MSPCA的故障監(jiān)測
　　針對化工過程中難以監(jiān)測到的較小偏移性故障，提出了一種改進MSPCA的故障監(jiān)測算法。首先利用小波閾值去噪的方法，消除原始過程數據中的大部分高頻隨機噪聲，使得數據不受噪聲的影響，然后利用

4、小波分解將去噪后的數據分解成逼近系數和細節(jié)系數，分別在各個尺度上建立主元分析模型，對各個尺度小波系數消噪并重構得到綜合尺度的故障監(jiān)測模型。通過對化工過程—TE過程的仿真研究，驗證了該方法的可行性和有效性。與傳統(tǒng)PCA方法和傳統(tǒng)MSPCA相比，改進MSPCA方法能有效、及時地監(jiān)測到過程中的緩變故障。
　　(2)基于MSPCA-ANFIS的故障診斷
　　當故障被檢測到后，需要進一步對故障進行識別與診斷。為此，本文提出一種基于MS

5、PCA-ANFIS的故障診斷新策略。該方法采用前述MSPCA方法提取的特征作為ANFIS分類器的輸入，然后用ANFIS分類器進行故障識別。通過特征提取將高維的輸入變量轉變成低維的，同時保留重要的特征信息用于故障診斷。ANFIS是一個多輸入單輸出的系統(tǒng)，如果只用一個ANFIS分類器對所有故障進行診斷，這樣會增加網絡結構的復雜性和降低診斷能力。因此，本文采用多個ANFIS分類器進行故障診斷，以此提高故障診斷的速度和有效性，同時降低了算法的復