【正文】 四年來，我們互幫互助，共同進步。 沈陽化工大學(xué)學(xué)士學(xué)位論文 參考文獻 26 25 參考文獻 [1]周東華，李鋼，李元 . 數(shù)據(jù)驅(qū)動的工業(yè)過程故障檢測與診斷技術(shù) [M]. 北京 :科學(xué)出版社， 20xx： 175． [2]周東 華 .國內(nèi)動 態(tài)系統(tǒng)故 障診斷技 術(shù)的一些最 新進展 [J]. 自動化博覽 ,20xx,12(10):1618． [3] 郭金玉，趙璐璐 ,李元 . 基于統(tǒng)計特征的不等長間歇過程故障診斷研究 ［ J］ .計算機應(yīng)用研究 , 20xx, 29(1): 5153． [4] Hwang D H, Han C H. Real time monitoring for a process with multiple operating modes [J]. Control Engineering Practice , 1999, 7 (7) : 891902． [5] 張云濤，龔玲 . 數(shù)據(jù)挖掘原理與技術(shù) [M]. 電子工業(yè)出版社， 20xx， 5480． [6] FRANK P and qualitative modelbased fault diagnosisa survey and some new results[J]. European Jorunal of Control, 1996, l(2):628. [7] 湯雙清 .飛輪儲能技術(shù)及應(yīng)用 [M]. 武漢：華中科技大學(xué)出版社 ,20xx:27. [8] 蔣浩天 ,拉塞爾 EL.,布拉茨 [M]. 段建民 ,譯 .北京 :機械工業(yè)出版社 ,20xx:2 一 79. [9] Chiang L. H. Russell E. L and R. D. Braatz. Fault detection and diagnosis in industrial systems[M]. SpringerVerlag, London, 20xx. [10] LeeT. Independent ponent analysis: theory and application[M]. Kluwer Academic,Boston, 1998. [11] Kramer,., .Nonlinear principal ponent analysis using autoassociative neural works[J]. AIChE J., 1991, 37(2):233243. [12] Vetterli,M.,and Herley,C. Wavelets and filter banks: theory and desigh[J]. IEEE Process.,1992, 40(9):22072232. [13] Alsberg,.,Woodward,.,and Ke11,. An introduction to wavelet transforms for chemometricians: a timefrequency approach[J]. Chemometrics ., 1997, 37:215239. [14] Bakshi,.. Multiscale PCA with application to multivariate statistical process monitoring[J]. AIChE Journal, 1998, 44(7):15961610. 沈陽化工大學(xué)學(xué)士學(xué)位論文 致謝 26 致謝 在本論文即將完成之際，我要向給予我關(guān)心和幫助的老師、同學(xué)、朋友表示我衷心的感謝和最真誠的問候。 （ 2） 基礎(chǔ)理論研究 目前 ,故障檢測算法所用到的一些數(shù)學(xué)理論基礎(chǔ)有的尚不完 善 ,例如 ,如何更好沈陽化工大學(xué)學(xué)士學(xué)位論文 第四章 總結(jié)與展望 24 的處理全局算法和局部算法各有不足的問題 ,新的樣本如何實現(xiàn)模型的遞歸更新問題等。隨著計算機技術(shù)的快速發(fā)展，導(dǎo)致 DCS 及各種數(shù)字化控制設(shè)備（如智能化儀表）在工業(yè)過程中的廣泛應(yīng)用 ,可以采 集得到大量的過程數(shù)據(jù) ,通過對這些過程數(shù)據(jù)的處理 ,從中挖掘出過程運行的有用信息 ,借此提高工業(yè)過程控制的精度是目前控制領(lǐng)域研究的熱點問題之一。由表 可知， MPCA 方法需要計算 14451 445 維的協(xié)方差矩陣，而本文方法協(xié)方差矩陣的維數(shù)僅為204 204，減少了存儲空間。 運用 基于統(tǒng)計特征的 方法進行故障診斷，不需要數(shù)據(jù)預(yù)處理 [2]。兩個例子（變量 EndPt A 和 TCP Load）表明了這些特性，如圖 所示。若 SPE 值超過了控 制限，那么說明新的批次是故障的；反之則是正常的。即： ，ｎ???? ,2,1,))(( )( 2/1* iXV a r XEXX i iii () 這樣原數(shù)據(jù)集就變換為均值為 0, 方差為 1的標(biāo)準(zhǔn)數(shù)據(jù)集。這種方法一方面要求在公共部分的過程變量軌跡保持一致，另一方面公共時間段內(nèi)要包含間歇過程的主要操作，在超出基準(zhǔn)長度的時間位置包含 的都是數(shù)據(jù)中次重要信息。 Rothwell 等 [11]表明動態(tài)時間錯位 (DTW)理論在故障診斷方面的效果不如指示變量法和最短長度法。多元統(tǒng)計分析是一種對間歇過程進行故障診斷和過程監(jiān)控的有效方法。以上特點決定了 MPCA 在應(yīng)用于實際監(jiān)控 時會出現(xiàn)采樣數(shù)據(jù)不完善的問題；因為在批處理進行過程中，只有當(dāng)前時刻及以前的數(shù)據(jù)是已知的，這些數(shù)據(jù)不足以構(gòu)成對間歇過程的一次完整采樣。 (3)Hotelling 的 2T 統(tǒng)計量 [7] Hotelling 的 2T 統(tǒng)計量由下式給出： 2 1 2x TTT P P x T??? ? ? () 其中 ? ?1 , Adiag ???? ，表示置信度為 ? 的控制限。對于間歇反應(yīng)過程來說，其數(shù)據(jù)樣本通?？梢钥醋鳛橐粋€三維的立體數(shù)據(jù)塊 , 節(jié)中介紹的主元分析法（ PCA）只能用來處理二維數(shù)據(jù)，而處理一個這樣的三維立體數(shù)據(jù)塊，一個有效的想法就是對其進行重新排列。這樣就可以將矩陣 X 進行主元分解后寫成下式 [3]： 1 1 2 2 kkX t p t p t p E? ? ?? ? ? ? ? () 式中 E 為誤差矩陣，代表 X 在 1?ap 到 np 等負(fù)荷向量方向上的變化。因此前 k個主元的累計貢獻率 CPV 可以表示為 [1]： 沈陽化工大學(xué)學(xué)士學(xué)位論文 第 二 章 MPCA 在間歇反應(yīng)過程故障診斷中的應(yīng)用 8 ?????niiiCPV1k1i?? () 其中 i? 為第 i 個特征值。對角化后的協(xié)方差 矩陣，對角線上較小的新方差對應(yīng)的就是那些該去掉的維度 [12]。 沈陽化工大學(xué)學(xué)士學(xué)位論文 第 二 章 MPCA 在間歇反應(yīng)過程故障診斷中的應(yīng)用 7 主元分析的基本原理 前面已經(jīng)提到， PCA 的目的就是“降噪”和“去冗余”。對于 這樣 一個由多個變量描述的復(fù)雜事物，如果事物的主要方面剛好體現(xiàn)在幾個主要變量上，只需要將這幾個變量分離出來，進行詳細(xì)分析。 MPCA 的核心思想是通過將相關(guān)的一組數(shù)據(jù)集進行降維，并盡量保留原來數(shù)據(jù)集的的變化信息 [1]。這些方法不需要精確的數(shù)學(xué)模型，可用于處理高維相關(guān)數(shù)據(jù)的情況。 本文研究內(nèi)容 本文主要有以下四章組成： 第一章闡述了故障診斷方法的研究內(nèi)容，各種方法的分類及發(fā)展趨勢，特別是對基于多元統(tǒng)計分析的故障診斷方法的現(xiàn)狀和發(fā)展進行了較簡單的綜述。 有時（如產(chǎn)品質(zhì)量控制）可能還有另外的數(shù)據(jù)組（如產(chǎn)品質(zhì)量 Y），希望能由X 來預(yù)測和檢測 Y 的變化，這時就可以采用 PLS 進行。這其中包括主元分析法（ principal Component Analysis， PCA） [1]、部分最小二乘法（ partial leastsquares, PLS） 、因子分析法（ factor analysis， FA）以及后來提出的規(guī)范變量分解法（ canonical variate analysis, CAV）、 ICA 以及 Fisher 判據(jù)分析法（ Fisher discriminant analysis, FDA）。對于非線性程度較弱的系統(tǒng)，在一定的范圍內(nèi)可以當(dāng)作線性系統(tǒng)來處理，對于非線性程度較強的系統(tǒng)，采用線性化的處理方法會產(chǎn)生很大的偏差，甚至?xí)贸鐾耆e誤的結(jié)論。因此間歇過程的監(jiān)控顯得更加復(fù)雜。在上料階段 ,以一定配比組成的多種原材料被裝入到反應(yīng)釜中 ,該階段是整個間歇過程的初始準(zhǔn)備階段；反應(yīng)階段是整個間歇過程的核心 ,它要求反應(yīng)釜內(nèi)的各過程變量 (如溫度、壓力、流量、液位等 )按一定的時間軌跡變化 ,而各參量的時間軌跡對于每個不同的間歇過程都不同；卸料階段是間歇過程的結(jié)束階段 ,該階段將反應(yīng)釜內(nèi)的產(chǎn)品排出 ,并對其各質(zhì)量指標(biāo)進行檢測以判斷該釜反應(yīng)的最終質(zhì)量情況 [1]。 如 “ 20xx 年 6 月 3 日吉林省寶源豐禽業(yè)公司爆炸事故，已造成 113 人遇難 ” ； “ 湖南省邵東一煤礦發(fā)生爆炸事故 ” ； “ 陜西興化集團硝銨裝置特別重大爆炸事故 ” 。其次，在分析了多向主元分析方法進行故障監(jiān)視和診斷的局限和缺點的基礎(chǔ)上，深入研究了基于統(tǒng)計特征的不等長間歇過程故障診斷算法。基于統(tǒng)計分析的故障診斷是故障診斷技術(shù)的重要組成部分之一。 statistic features。過程故障診斷技術(shù)的任務(wù)是選取方便而且有效的方法來發(fā)現(xiàn)過程中的異常事件，并且識別和診斷出生產(chǎn)過程的異常事件的根源，進而指導(dǎo)操作員正確地處理過程異常。特別是在精細(xì)化工、生物制藥等利潤高、產(chǎn)量小、品種多的工業(yè)部門。這就增加了間歇過程故障診斷的 困難程度和復(fù)雜程度。 多元統(tǒng)計方法應(yīng)用于間歇過程故障診 斷 如 所述，間歇 過程的內(nèi)部機理十分復(fù)雜，難以用常規(guī)的工具建立精確的數(shù)學(xué)模型，即使可以建立數(shù)學(xué)模型，通常也十分復(fù)雜，難以求解。目前 PCA、 PLS、 FDA、典型相關(guān)分析法（ CCA）和 ICA 已經(jīng)被廣泛采用。其基本思想是分別對不同組別數(shù)據(jù)進行組合，使組合后的線性相關(guān)性最大；不同點在于 PCA 著眼于考慮變量的 ” 分散性 “信息，而 CCA 則立足于識別和量化變量之間的統(tǒng)計相關(guān)性。 沈陽化工大學(xué)學(xué)士學(xué)位論文 第 二 章 MPCA 在間歇反應(yīng)過程故障診斷中的應(yīng)用 5 第二章 MPCA 在間歇反應(yīng)過程故障診斷中的應(yīng)用 引言 在化工、食品等間歇生產(chǎn)過程中 , 生產(chǎn)系 統(tǒng)在長期運行和生產(chǎn)負(fù)荷中會不可避免地發(fā)生各種故障 , 影響生產(chǎn)質(zhì)量 , 甚至引起重大的經(jīng)濟損失 , 因此故障檢測與診斷成為當(dāng)前控制理論研究的熱點之一。 由于間歇反應(yīng)的數(shù)據(jù)具有多維性的特點 ,傳統(tǒng)的主元分析方法會使過程的統(tǒng)計建模與故障診斷變得難以實現(xiàn)。 PCA 基本原理 主元分析簡介 主 元 分析 （ Principal Component Analysis， PCA） 或者 主成分 分析 ， 是一種掌握事物主要矛盾的統(tǒng)計分析方法，它可以從多元事物中解析出主要影響因素，揭示事物的本質(zhì)，簡化復(fù)雜的問題。簡單地說，在保證原始數(shù)據(jù)大部分信息不丟失的情況下，通過一定的線性變換， PCA 就是將高維的數(shù)據(jù)通過線性變換投影到低維空間上去，這個投影要遵循一個指導(dǎo)思想 ——找出最能夠代表原始數(shù)據(jù)的 投影方法，也就是說，被 PCA 降掉的那些維度只能是那些噪聲或是冗余的數(shù)據(jù)。通過矩陣對角化進行降噪，消除各變量間相關(guān)性，而對角化后得到的矩陣，其對角線上是協(xié)方差矩陣的特征值，它有兩個身份：首先，它還是各個維度上的新方差；其次，它是各個維度本身應(yīng)該擁有的能量 (能量的概念伴隨特征值而來 )。 累計方差貢獻率