论文部分内容阅读
在现代工业生产高度智能化的时代背景下,对于复杂工业过程而言,有效地提高控制系统的故障检测性能变得尤为重要。基于数据驱动的多元统计分析方法可以有效地检测故障,提高系统的可靠性。本文以提高支持向量机（SVM）算法在工业过程中的故障检测性能为目的,研究了基于多元统计分析和SVM的工业过程故障检测算法,本文主要工作及贡献如下:（1）为了提高支持向量机的故障检测率,提出一种基于主元增广矩阵的SVM故障检测方法（PCAM-SVM）。首先,运用主元分析算法（PCA）在主元空间中计算得分矩阵;然后,加入得分的时滞输入特性和时差输入特性,构建增广矩阵。运用正常和故障数据的增广矩阵训练SVM模型,获得判别分类函数。最后,运用SVM模型对测试数据进行分类。本文方法通过构建主元增广矩阵,增加模型输入特性复杂度,有效降低数据自相关性,提高SVM的故障检测性能。将该方法应用于多变量动态过程数值例子和田纳西—伊斯曼过程,并与PCA、独立元分析（ICA）、核主元分析（KPCA）、SVM和PCA-SVM方法比较,实验结果验证了PCAM-SVM方法的有效性。（2）为了改进支持向量机在工业过程故障检测中的性能,提出一种基于核主元空间支持向量机的故障检测方法。首先,运用核主元分析算法处理数据,获取数据的核主元,在核主元空间计算Hotelling’s T~2统计量;然后,在T~2统计量基础上加入时滞特性和时差特性,并将三者组合成增广矩阵,运用正常和故障数据的增广矩阵训练SVM模型;最后,运用SVM模型对测试数据进行分类,实现对故障的检测。将本方法应用于非线性数值例子和田纳西—伊斯曼工业过程中,与PCA、KPCA、SVM和KPCA-LSSVM方法作比较,实验结果验证了本方法的有效性。（3）为了有效提高支持向量机算法的故障检测和监视性能,提出一种新的基于DW-ICA-SVM的工业过程故障检测算法。首先对训练数据进行标准化,运用独立元分析获取数据的独立元矩阵,提取隐藏的非高斯信息;然后运用杜宾-瓦特森（Durbin-Watson,DW）准则计算独立元（ICs）的DW值,通过DW方法选取重要的ICs。将包含重要信息的ICs作为SVM模型的输入,获得判别分类函数。最后将测试数据的ICs输入该模型,对其进行故障检测和监视。将该方法运用于非线性数值例子和田纳西-伊斯曼工业过程,并与PCA、LPP、ICA、SVM和ICA-SVM方法比较。结果表明,所提方法降低了样本间的自相关性,有效提高了故障检测率。所提方法在一定程度上加强了对隐藏的非高斯信息的提取与识别,为提高SVM算法在工业工程故障检测中的性能提供了参考。（4）为了降低样本间的自相关性对支持向量机检测性能的影响,提出一种基于高斯和非高斯双子空间SVM（DSSVM）的故障检测方法。首先运用Kolmogorov-Smirnov（KS）检验原始数据中过程变量的正态分布特性,将过程变量划分为高斯子空间和非高斯子空间,并建立基于PCA的高斯子空间和ICA的非高斯子空间故障检测模型;然后,分别对主元矩阵和独立元矩阵引入时滞特性和时差输入特性,该特性的引入能够降低样本间的自相关性;最后将引入时滞和时差特性的矩阵进行组合,运用SVM模型对其进行故障检测和监视。将该方法运用于多变量数值仿真和田纳西—伊斯曼工业过程,并与PCA、ICA、SVM和基于变量分布特征的统计过程检测方法（VDSPM）比较,仿真实验结果验证了该算法的有效性。（5）为了有效地提高支持向量机在工业过程中的故障检测性能,提出一种基于滑动窗口KECA-SVM的非线性过程故障检测方法（MWKECA-SVM）。运用核熵成分分析（KECA）提取包含非线性特征信息的得分向量作为SVM的输入。运用正常和故障数据的非线性特征向量训练SVM模型获得判别分类函数。建立模型之后,运用滑动窗口对模型进行动态更新。将MWKECA-SVM方法应用于田纳西—伊斯曼过程中,并与KPCA、滑动窗口KPCA（MWKPCA）、KECA和SVM方法比较。结果表明,MWKECA-SVM方法能够动态提取过程变量特征信息,有效提高故障检测率。所提方法在一定程度上增强了信息的动态提取和实时监控能力,为提高SVM算法在非线性过程故障检测中的性能提供了参考。（6）为了有效地对多模态数据进行检测,提出基于密度空间支持向量机的多模态过程故障检测方法。运用局部概率密度方法对多模态数据进行预处理,消除多模态数据对过程故障检测特性的影响。在密度空间,运用正常和故障数据训练SVM模型获得权重向量和位移。把校验数据和待测试的故障数据作为SVM模型的输入,对其进行监视和检测。将该方法运用于田纳西—伊斯曼多模态过程,仿真结果表明,对某些故障PCA和KPCA的检测效果最好,而对于某些故障SVM的检测效果最好。SVM的平均故障检测率优于PCA和KPCA。因此,不同的方法适用于不同类型的故障。（7）针对工业过程数据存在的非线性和多模态特性,提出一种基于密度空间差分的SVM多模态过程故障检测方法。运用局部概率密度方法对多模态数据进行预处理,消除多模态数据对工业过程故障检测性能的影响。在密度空间,找到每个样本的最近邻,将该样本与其最近邻进行差分运算。运用正常和故障数据的差分矩阵训练SVM模型获得判别分类函数。建立模型之后,SVM能学习正常和故障数据的特性,从而将数据正确分类。将本文方法运用于田纳西—伊斯曼多模态过程中,仿真结果表明,本文方法能够有效剔除数据多模态特性,减小样本非线性结构的影响,提高SVM算法在多模态过程中的故障检测性能。（8）为了有效地提高支持向量机对多模态过程的故障检测性能,提出一种基于全局和局部信息融合的SVM多模态过程故障检测方法。运用局部概率密度方法对多模态数据进行预处理,消除多模态数据对工业过程故障检测特性的影响。在密度空间,分别运用主元分析算法和局部保持投影（LPP）算法计算主元,提取数据的全局信息和局部信息,并将两者融合作为SVM的输入。运用正常和故障数据的全局和局部融合的信息训练SVM模型获得判别分类函数。建立模型之后,SVM能学习正常和故障数据的特性,从而将数据正确分类。将本文方法运用于田纳西—伊斯曼多模态过程中,与传统PCA、LPP和SVM方法比较,实验结果验证了本文方法的有效性。（9）为了有效改进支持向量机在工业过程故障检测中的性能,提出一种基于多模型SVM（MM-SVM）的多模态过程故障检测方法。首先,运用局部概率密度方法对多模态数据进行预处理,消除多模态数据对过程故障检测特性的影响;然后,通过改变SVM的核参数建立多个SVM模型进行故障分类;最后,将多个SVM模型的分类结果进行整合,通过概率大小定义数据类别,实现对故障的检测。将本文方法应用于多模态数值例子和田纳西—伊斯曼多模态过程中,与PCA、KPCA和SVM方法作比较,实验结果验证了本文方法的有效性。