基于多元统计理论的故障检测与诊断.doc

硕士学位论文开题报告及论文工作计划书 课题名称 基于多元统计理论的故障检测与诊断 学 号 姓 名 专 业 学 院 导 师 副导师 选题时间 2015 年 9 月 1 日 中北大学研究生院 2015年 9月 19 日一、立论依据 课题来源、选题依据和背景情况、课题研究目的、理论意义和实际应用价值 随着现代化工业大生产的不断发展和科学技术的进步，现代化生产过程正朝着大型化，集成化、复杂化和精细化的方向发展。由于生产系统结构复杂化，系统内部的不同部分之间相互关联，相互耦合，如果一处发生异常状况不能正常工作，就可能引起链式反应，导致整个生产过程不能正常运行。现场工人根据大量的机器设备和计算机采集到的数据判断出过程异常情况是很困难的，然而一旦异常的生产情况不能被及时发现，及时排除，就很可能导致生产中断，有时甚至爆炸、有毒物质泄漏等事故的发生，不仅给生产带来巨大的经济损失，而且还会严重威胁着人身安全，甚至对我们所居住的环境也会造成严重的破坏。近年来灾难性生产事故时有发生，如1979年美国三里岛核电站发生泄漏，损失几十亿美元。 随着计算机技术及各种智能方法的大量涌现及应用，过程监测或故障检测和诊断技术（Fault Detection and Diagnosis, FDD）得到了飞速的发展。过程监测的目标是通过识别不正常行为来确保过程成功地按计划运行。这些信息不仅保持系统操作员和维护人员不断了解过程的运行状态，而且还帮助这些人员做出适当的补救措施，以消除过程的不正常行为。其结果是：预防事故，保证人身和设备安全；推动设备维修制度的改革，从定时维修向预知维修转化；提高经济效益。正确的过程监测使停产时间最小化，设备运行的安全性得以改进，生产成本得以减少。由此对故障检测和诊断技术的研究有着深刻的理论价值和不容忽视的现实指导意义。 基于多元统计分析的监测方法不依赖于精确的数学模型，充分利用现有的生产过程数据就能够完成生产过程故障监测与诊断。统计过程监测方法具有可实现性强，方法简单等优点，历经三十年的发展，取得了一系列瞩目的成果，并在现代工业生产中得到了广泛应用。本课题研究以田纳西伊斯曼过程为背景，一方面对过程故障进行了详细的分析，另一方面使用PCA和KPCA方法以及ICA和KICA对几类故障进行了检测与诊断的研究，并使用核独立元分析与简易支持向量机结合的方法对故障进行诊断进行了详细的研究。为进一步降低错分率，使用粒子群优化简易支持向量机参数，进一步提高模型精度。 二、文献综述 国内外研究现状、发展动态；所阅文献的查阅范围及手段 在工业故障检测和诊断上应用的多元统计方法主要有：PCA、独立成分分析（ICA）和支持向量机（SVM）等。而随着多元统计研究的不断深入，学者们提出了很多改进的多元统计方法。 PCA最早是由Pearson于1901年提出的，MacGregor提到了几种PCA方法在工业过程监测中的应用。Leo和Randy给出了计算每一变量对和的贡献的方法，可用来进行故障识别。尽管PCA在统计过程监测中已有很多成功的应用，但它的应用范围却还仅限在分析变量间具有线性关系的静态数据中。为了将PCA推广到更广阔的应用范围，又有学者将核主元分析（KPCA）、并将其应用于非线性过程。KPCA将原始数据空间映射到高维空间，再进行PCA处理。实际故障诊断效果表明，KPCA较PCA来说有更好的故障诊断效果。而大多数工业过程属于间歇过程，或者动态过程，Leo、Chen等人分别提出多向主元分析（MPCA）[36]和动态主元分析（DPCA）方法，分别应用于间歇过程和动态过程中，有不错的故障检测和诊断效果，目前仍有学者不断对这些方法进行了改进，如Pabara-Ebiere Patricia等人提出了CV-KPCA方法，并以TE过程为仿真平台，仿真表明了其很好的故障检测和诊断效果。又由于工业过程中数据分布问题，Lee将用于盲源分离的ICA方法也被引入到过程监控和故障诊断中来，解决了检测数据分布的非高斯性问题，在故障检测和诊断效果上较PCA方法更为优越，说明其有更好的适用条件。同PCA一样，为了使ICA应用于非线性过程，随后又有学者提出了ICA的扩展方法：核独立成分分析（KICA）。KICA方法在TE过程仿真中，对于某些ICA未能有较高检测率的故障，KICA却有相对高的故障检测率，由于要用核