论文部分内容阅读
工业生产过程的性能监控与故障诊断是流程工业CIPS的重要组成部分,它通过实时检测过程的变化信息,密切监控生产过程中的运行状态并分析潜在故障,以保证工业装置稳定运行,从而有效提高产品质量和经济效益。本文将一个工业过程的性能监控系统分成故障检测、故障诊断、故障分离三个环节,并在实时环境下将这些环节融合到一起：首先针对化工过程检测变量服从多元非高斯分布和非线性的特点,对传统的核主元分析(KPCA)方法进行了改进,并提出了基于支持向量数据描述(SVDD)的一种新的故障检测算法；在故障诊断环节采用相关向量机(RVM)算法作为故障分类器,实施过程监测的二级判别和系统报警,最后应用故障分离技术寻找故障源。本文的主要工作和贡献体现在以下几个方面：(1)将改进的核主元分析(KPCA)和支持向量数据描述(SVDD)相结合,并从两个方面完善KPCA故障检测性能：a)根据Mexican hat小波在提取非线性非平稳信号细微特征方面的优势,将该小波函数引入到KPCA中以增强核函数的非线性映射和抗噪能力；b)针对高维KPCA方法中,核矩阵计算复杂度显著提高的问题,在映射后的特征空间中进行均值聚类分析,选择每个聚类中展现特征中心的数据,使运算复杂度明显降低,提高了监控实时性。最后采用SVDD描述经过聚类降维后的特征空问分布,并提出新的监控指标描述过程的非高斯特性。通过在TE标准仿真平台和溶剂脱水化工精馏过程中仿真验证,表明了该方法的有效性。(2)采用核主元分析方法对过程进行监控时,尽管可以对过程是否异常进行检测,却无法得知何类故障。为此,结合故障数据小样本特点,提出了基于核理论的非线性特征提取和相关向量机(RVM)结合的故障诊断策略,一方面可有效提取模型所需的特征向量,另一方面,构造了一种简化的多类目标分类器以实现多故障分类。在此基础上,采用贡献率图方法量化每个过程变量相对于KPCA表示的个别得分的贡献率,并根据总贡献率值CONT区分出优先次序进行排序,从而找出故障源,判断过程失控的原因。该方法的有效性在TE过程中进行了仿真验证。