论文部分内容阅读
流程工业是我国国民经济的重要组成部分,其生产过程的高温、高压、高危险性使针对过程的监控与故障诊断成为重中之重。本课题以过程的监控与故障诊断问题为主要研究内容,利用现代信号处理技术,研究了基于数据驱动的多变量统计过程监控方法在流程工业中的应用。本文以独立分量分析(Independent Component Analysis,ICA)与盲源分离(Blind Source Separation,BSS)为主要方法进行研究。ICA利用高级统计学、现代信号处理中的相关理论,寻求包含在数据中的统计独立分量,发掘数据的内在特征。这一理论作为近十年来的热点主题之一受到了广泛关注,显示出其强大的生命力和广阔的工程应用前景。BSS是在源信号与信号传输通道特性未知的情况下,仅通过分析检测信号来获得源信号的过程。BSS与ICA在分析对象、数据模型、研究方法等方面高度相似,却又在涉及的理论与工程意义等方面不尽相同,两者相互借鉴、互为补充、共同发展。本文以ICA与BSS中的相关理论与方法为基础,结合过程监控这一应用对象的实际特点进行研究,具体工作如下:1.论述了ICA的理论背景、模型、独立分量的求取方法,实证分析了流程工业过程变量的非高斯性分布特征,论证了非线性系统对数据分布特性的影响,指出ICA在过程监控应用中具有十分重要的意义。2.根据ICA理论的矢量化拓展,提出基于动态独立子空间分析的过程监控方法,针对过程变量自相关问题,构建时间序列子空间,随采样时间动态更新子空间数据,对其进行独立性研究,达到过程监控的目的。仿真实例表明此方法提高了过程监控的性能。3.根据BSS中广义特征值分解方法的利用,从两个角度对过程监控方法进行设计。一方面对数据高阶统计量的特征矩阵进行递归广义特征值分解,寻求数据中的独立成分从而实现过程监控;另一方面利用纳入了时间窗的时域方差矩阵束,对过程数据的序列相关信息进行利用,基于这一方法的过程监控手段比基于动态PCA的过程监控具有更好的灵敏性与鲁棒性。4.针对非负矩阵分解算法这一新兴的数据特征提取方法,提出了基于非负矩阵分解过程监控方法,基于TE过程的仿真实验证实了其有效性。