论文部分内容阅读
随着计算机集散控制系统的应用和发展，工业生产过程中越来越多的变量能够得到快速监控和处理，现代工业系统也因此朝着复杂化和智能化的方向飞速发展。为了保障设备运行的安全性和可靠性，提高生产效率和产品质量，故障检测和诊断技术就显得尤为必要。基于数据驱动的故障检测与诊断方法是近年来最受欢迎的故障诊断方法，其核心在于如何从大量的数据中挖掘其特征信息。非负矩阵分解（NMF）作为新兴的矩阵分解方法，它能够从大量数据中学习其局部特征，分解得到具有非负性和较强稀疏性的因子，这种非负性在运算上表现为纯加性，而稀疏性则刻画了数据的局部特征。因而NMF方法表现出比传统矩阵分解方法更强的解释性，即局部构成整体的特性。鉴于NMF的上述优点，本文将其引入故障检测与诊断领域，提出了一种基于稀疏约束非负矩阵分解（NMFSC）的故障检测模型，通过结合部件符号有向图和数据重构技术提出了研究故障传播路径的新模式，为探索故障检测与诊断作出有益尝试。具体说来，本文的主要工作包括以下几个方面：（1）在基本的NMF理论和方法上，通过对系数矩阵列向量施加稀疏约束，提出了一种稀疏约束的非负矩阵分解(NMFSC)方法。该算法能够找出特征空间中表示数据个体之间差异的主要信息。（2）在NMFSC方法的基础上，提出了基于NMFSC的故障检测和诊断模型：提出两个适合NMFSC的监控统计量——CUSUM和SPE统计量来检测故障，当故障发生时，通过数据重构方法对故障数据进行诊断，确定引起故障的主要变量。（3）提出了基于NMFSC的故障传播路径分析方法。针对复杂系统资源过多，拓扑结构过于复杂的问题，提出了通用部件模型（GCM）建模方法，并在此基础上建立了系统的部件符号有向图（CSDG）模型。通过在CSDG相容路径方向上对故障数据进行重构，确定故障最有可能的传播路径。（4）将基于NMFSC的故障检测与诊断方法应用于南极微电网系统中，通过对微电网蓄电池组的性能监控，达到检测出性能老化的蓄电池的目的，使得对蓄电池组的维护更具针对性。