论文部分内容阅读
随着科技的不断发展,化工过程趋于复杂化。研究化工过程的故障诊断算法对保证安全生产、避免生产设备损毁、提高产品质量发挥了关键性作用。国内外学者在故障诊断领域研究改进了众多算法以求达到快速准确的故障诊断效果。实际的化工过程一般具有复杂性高、规模庞大的特点,化工过程通常都会采集到丰富的过程变量数据,而基于数据驱动的故障诊断算法直接从化工过程中采集到的数据入手,对数据进行分析,实现对过程的故障诊断,因此深入研究基于数据驱动的故障诊断算法,不仅具有重要的理论意义,在实际生产中也具有广阔的应用前景。本文主要对规范变量分析(CVA)算法进行研究,并对该算法在故障诊断应用中存在的问题做进一步改进,主要做了以下几个方面的工作:1.针对规范变量分析(CVA)算法不能较好地处理化工过程高维数据的降维问题,提出了一种基于等距映射(ISOMAP)的化工过程故障诊断CVA算法,该算法首先采用流形学习中的ISOMAP算法,完成对初始数据的非线性降维,同时保持了数据内部的几何结构,然后基于从高维数据中提取出来的低维数据,利用规范变量分析(CVA)得出过程状态向量和监控统计量,通过TE过程仿真验证了该算法用于化工过程故障诊断的合理性。2.针对过程数据通常具有时变性,规范变量分析(CVA)在动态过程系统的故障诊断中不能得到较好的故障诊断准确率,提出了一种基于滑动窗的规范变量分析(MWCVA)算法,该算法首先建立初始的CVA模型和计算监控统计量,通过滑动窗更新过程变量数据,计算更新建模所需数据,不断实时的更新出新样本的CVA模型和监控统计量,通过TE过程仿真验证了该算法的优越性。3.针对化工过程中,往往生产多种产品,使得过程存在多个操作模态,传统的单模态故障诊断算法在用于诊断多模态化工过程时不再适用。因此,针对多模态化工过程中多高斯分布的采样数据,本文提出了一种基于高斯混合模型的核规范变量分析算法。首先采用高斯混合模型(GMM)将化工过程中的采样历史数据分类成多个高斯分量,然后利用核规范变量分析(KCVA)算法对每个高斯分量建模,计算其相应的统计量进行过程故障诊断,通过TE过程仿真验证了该算法的适用性。