【正文】 TCP Top Pwr16 TCP Load17 Vat Valve0 20 40 60 80 100 12005001000150020222500300035000 20 40 60 80 100 104(a) EndPt AEndPt A時(shí)間TCP Load沈陽化工大學(xué)學(xué)士學(xué)位論文 第三章 基于統(tǒng)計(jì)特征的不等長間歇過程故障診斷研究20 (b) TCP Load 數(shù)據(jù)集中的兩個(gè)變量該仿真實(shí)驗(yàn)中，每個(gè)批次有17個(gè)過程變量。每個(gè)批次是不等長的，持續(xù)時(shí)間在95112秒之間變化。隨機(jī)抽取96個(gè)正常批次為建模數(shù)據(jù)，其余11個(gè)正常批次為校驗(yàn)數(shù)據(jù)。為了消除傳感器中初始的波動影響，去除開始的5個(gè)樣本，保留85個(gè)樣本以適應(yīng)最短的批次。對96個(gè)等長的正常批次數(shù)據(jù)運(yùn)用MPCA方法進(jìn)行建模，并對11個(gè)校驗(yàn)批次數(shù)據(jù)和20個(gè)故障批次進(jìn)行故障檢測。MPCA方法檢測出了故障12和13，然而，由于它們的數(shù)值較大，沒有顯示。運(yùn)用基于統(tǒng)計(jì)特征的方法進(jìn)行故障診斷，不需要數(shù)據(jù)預(yù)處理 [2]。直接計(jì)算96個(gè)不等長批次的均值、方差、偏度、峭度和任意兩個(gè)變量間的歐氏距離，并將這些統(tǒng)計(jì)特征組合成一個(gè)等長的特征向量,然后運(yùn)用PCA進(jìn)行過程監(jiān)視。本文方法的S。本文方法檢測出了故障4和12。 MPCA方法的SPE監(jiān)測圖時(shí)間沈陽化工大學(xué)學(xué)士學(xué)位論文 第三章 基于統(tǒng)計(jì)特征的不等長間歇過程故障診斷研究21 本文方法的SPE監(jiān)測圖。，本文方法和傳統(tǒng)MPCA對正常批次的SPE檢測率均為100%；本文對故障批次的SPE故障檢測率為80%，而傳統(tǒng)的MPCA的檢測率為65%。證明運(yùn)用本文方法進(jìn)行檢測的準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的MPCA方法，大大提高了故障檢測率，減少了故障的誤報(bào)率和漏報(bào)率。 SPE監(jiān)測結(jié)果對比方法校驗(yàn)批次總數(shù)檢測的校驗(yàn)批次總數(shù)校驗(yàn)批次檢測比例故障批次總數(shù)檢測的故障批次總數(shù)故障批次檢測比例MPCA 11 11 100% 20 13 65%本文方法 11 11 100% 20 16 80%（CPU：Pentium Dualcore RAM: ）。，MPCA方法需要計(jì)算14451445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204204，減少了存儲空間。與MPCA方法相比，本文方法降低了特征向量的維數(shù)。這 TCP Load沈陽化工大學(xué)學(xué)士學(xué)位論文 第三章 基于統(tǒng)計(jì)特征的不等長間歇過程故障診斷研究22是由于本文方法在運(yùn)用MPCA進(jìn)行故障診斷之前，需要先計(jì)算統(tǒng)計(jì)特征向量，增加了時(shí)間。 MPCA和本文方法故障檢測對比方法 特征向量大小 協(xié)方差矩陣大小 故障檢測時(shí)間（s）MPCA 14453 14451445 本文方法 2043 204204 本章小結(jié)傳統(tǒng)的MPCA方法可以有效的對等長批次生產(chǎn)過程中存在的故障進(jìn)行檢測和診斷，但是由于間歇過程具有間歇性、操作的不確定性、反應(yīng)過程的多模態(tài)及不等長等特性，致使MPCA不能直接應(yīng)用于間歇過程故障診斷。本章提出的基于統(tǒng)計(jì)特征的不等長間歇過程故障診斷方法可以有效的解決這些問題，使故障檢測結(jié)果更加準(zhǔn)確。同時(shí)，本章所介紹的算法減少了計(jì)算量和存儲空間，降低了故障檢測時(shí)間。沈陽化工大學(xué)學(xué)士學(xué)位論文 第三章 基于統(tǒng)計(jì)特征的不等長間歇過程故障診斷研究23第四章 總結(jié)和展望 總結(jié)伴隨著現(xiàn)代工業(yè)生產(chǎn)技術(shù)和科學(xué)的大力進(jìn)步,生產(chǎn)裝置向大型化、結(jié)構(gòu)復(fù)雜化的趨勢變得非常明顯,在這一方面雖然大幅度提高了生產(chǎn)效率,但同時(shí)，生產(chǎn)過程發(fā)生事故的可能性也大大增加。傳統(tǒng)的控制理論中的故障診斷方法主要是建立在系統(tǒng)的精確模型基礎(chǔ)上的,這對于反應(yīng)機(jī)理復(fù)雜、非線性、時(shí)變性等擾動嚴(yán)重的復(fù)雜工業(yè)過程在應(yīng)用中是較難實(shí)現(xiàn)的。隨著計(jì)算機(jī)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(yùn)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(diǎn)問題之一。本文介紹了幾種基于多元統(tǒng)計(jì)方法的間歇過程故障診斷中能應(yīng)用到的算法,如PCA、MPCA等，并著重介紹了基于統(tǒng)計(jì)特征的不等長間歇過程的故障診斷算法。本文應(yīng)用半導(dǎo)體工業(yè)實(shí)例—A1堆腐蝕過程來對MPCA與基于統(tǒng)計(jì)特征的不等長間歇過程的故障診斷方法進(jìn)行了實(shí)驗(yàn)驗(yàn)證，并且經(jīng)過實(shí)驗(yàn)的仿真得出了理想的仿真結(jié)果。 工作展望（1） 故障診斷與預(yù)警本文研究內(nèi)容偏向于故障檢測,只能向使用者提供過程正常與否的通知信息。但是用戶更希望知道具體哪里有故障,什么類型的故障,甚至最好能提前知道可能會發(fā)生什么故障,這就需要故障診斷與預(yù)警工作。基于數(shù)據(jù)驅(qū)動的故障診斷方法通過貢獻(xiàn)圖理論上能夠識別出故障源。但是過程故障的發(fā)生和傳播都相當(dāng)復(fù)雜,又和過程的機(jī)理密切相關(guān),缺乏過程機(jī)理和經(jīng)驗(yàn)指導(dǎo),故障的診斷和識別很容易得出誤沈陽化工大學(xué)學(xué)士學(xué)位論文 第四章 總結(jié)與展望24導(dǎo)性的結(jié)果。因此,如果數(shù)據(jù)驅(qū)動方法和基于知識的方法能夠相互結(jié)合,取長補(bǔ)短,必將對提高故障診斷的可靠性有重要幫助。（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(shí)現(xiàn)模型的遞歸更新問題等。這就要求在基礎(chǔ)數(shù)學(xué)理論研究上也要下功夫。（3） 方法的使用范圍拓展本文所討論的方法大都建立在化工或生化平臺上,但并不是說僅適用于上述范圍。基于數(shù)據(jù)驅(qū)動的故障診斷方法的通用性體現(xiàn)在其跨平臺的可移植性上,在工業(yè)生產(chǎn)和生活各個(gè)領(lǐng)域都應(yīng)當(dāng)發(fā)揮其作用。如何把該方法與新的應(yīng)用領(lǐng)域互相融合是值得我們深入考慮的問題。（4） 故障檢測軟件商品化盡管有眾多新方法被不斷提出,然而目前傳統(tǒng)的MPCA方法在故障診斷軟件上依然占據(jù)絕對優(yōu)勢。究其原因,除新算法的快速性,魯棒性需要增強(qiáng)外,積極推廣使用新算法,實(shí)現(xiàn)商品化也是需要重視的問題。理論只有應(yīng)用于實(shí)踐才能不斷發(fā)現(xiàn)問題,解決問題,不斷完善。沈陽化工大學(xué)學(xué)士學(xué)位論文 參考文獻(xiàn)2625參考文獻(xiàn)[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，2022：175． [2][J].自動化博覽,2022,12(10):1618．[3] 郭金玉，趙璐璐,李元. 基于統(tǒng)計(jì)特征的不等長間歇過程故障診斷研究［J］.計(jì)算機(jī)應(yīng)用研究, 2022, 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?jiān)茲徚?. 數(shù)據(jù)挖掘原理與技術(shù)[M]. 電子工業(yè)出版社，2022，5480．[6] FRANK P and qualitative modelbased fault diagnosisa survey and some new results[J]. European Jorunal of Control, 1996, l(2):628.[7] [M]. 武漢：華中科技大學(xué)出版社,2022:27.[8] 蔣浩天,拉塞爾EL.,[M]. 段建民,:機(jī)械工業(yè)出版社,2022:2一79.[9] Chiang L. H. Russell E. L and R. D. Braatz. Fault detection and diagnosis in industrial systems[M]. SpringerVerlag, London, 2022.[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. 沈陽化工大學(xué)學(xué)士學(xué)位論文 參考文獻(xiàn)2626[14] Bakshi,.. Multiscale PCA with application to multivariate statistical process monitoring[J]. AIChE Journal, 1998, 44(7):15961610.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。首先感謝我的指導(dǎo)教師郭金玉教授。郭老師對我整個(gè)論文的工作過程給予了特別詳細(xì)的指導(dǎo)。在課題研究和論文撰寫過程中，郭老師不斷指導(dǎo)我學(xué)習(xí)方法，耐心詳細(xì)地為我解答問題，并且與我一起研究探討，推敲論文中的方案。郭老師治學(xué)嚴(yán)謹(jǐn)，學(xué)識淵博，平易近人，在她的幫助和指導(dǎo)下，使我領(lǐng)會了基本的思考方式，提高了創(chuàng)新意識，鍛煉了實(shí)際操作能力，收益頗豐。在此謹(jǐn)向郭老師表達(dá)我真摯的感謝和崇高的敬意。同時(shí)，感謝我還要感謝幫助我的實(shí)驗(yàn)室各位師兄，是他們給我提供了相關(guān)的參考資料，在整個(gè)論文的編寫過程中，遇到的問題，他們都能細(xì)心的及時(shí)予與我解答，使我在畢業(yè)設(shè)計(jì)中較好地運(yùn)用所學(xué)的算法和編程的相關(guān)知識，也為今后的學(xué)習(xí)打好了堅(jiān)實(shí)的基礎(chǔ)。此外，還要感謝我的同學(xué)朋友們。四年來，我們互幫互助，共同進(jìn)步。無論是生活上還是學(xué)習(xí)上，我們相互支持，排除解決了各種困難與挫折。感謝我的同學(xué)朋友們在畢業(yè)設(shè)計(jì)期間給予我的支持和幫助，希望所有人前程似錦。最后，我將以此為起點(diǎn)，在今后工作中努力提高自己，以實(shí)際行動感謝那些幫助、指導(dǎo)和關(guān)心過我的老師、同學(xué)和朋友。 此致