多模态复杂工业过程故障检测方法研究
文献类型：学位论文
| 作者 | 李帅
|
| 答辩日期 | 2021-11-19 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 史海波 |
| 关键词 | 故障检测 多模态工业过程 层次模态划分 多变量特性评价 动态非高斯混合序列建模 |
| 学位名称 | 博士 |
| 学位专业 | 机械制造及其自动化 |
| 其他题名 | Research on Fault Detection Methods for Multimode Complex Industrial Processes |
| 英文摘要 | 随着智能制造、大数据分析等技术在制造业的推广应用，工业过程生产效率与产品质量得到了明显提升，现代工业过程的复杂程度和生产规模也随之逐渐提高，基于数据的故障检测已成为过程监测、质量追溯和安全监督的有效手段之一。实际工业过程通常因为生产条件、工艺要求或生产阶段等的调整使其具有多模态特性，使得传统基于多元统计分析的故障检测方法无法满足实际需求，对工业过程安全和产品效益产生不利影响。由于多模态工业过程的复杂特性，其故障检测理论和体系仍有待进一步深入研究和完善。因此，本文针对多模态工业过程故障检测领域多模态不确定性、多模态和多变量特性解析与建模、新模态识别与动态建模等问题展开研究，提出一系列复杂工业过程故障检测方法，为制造企业提升生产效率和产品质量、降低运维成本提供方法基础和解决思路。(1) 基于密度峰值聚类的层次模态划分方法。多模态特性通常可利用模态划分进行表征。通过分析国内外研究成果发现，现有的模态划分研究工作通常需要先验过程知识，并以固定的模态划分结果为目标，忽略了工业过程的多模态不确定性，无法适用于模态先验知识不完备的实际复杂工业过程故障检测。针对多模态不确定性问题，本文以密度峰值聚类为基础，研究一种层次模态划分方法。首先，结合密度峰值聚类方法，考虑全局和局部距离特性，提出采用混合测地距离的层次聚类方法，获取层次模态信息，实现先验知识不完备条件下的多模态工业过程的层次模态划分。然后，设计层次子空间分解方法，将多模态过程数据划分为多个全局子空间和局部子空间，实现多模态复杂工业过程建模。最后，给出基于最相似模态的模态识别与故障检测方法，提升了工业过程故障检测对多模态不确定性的适应能力。利用青霉素发酵基准数据对层次模态划分和子空间分解方法进行了仿真测试。(2) 基于综合检验和非线性度量的多变量特性评价方法。多变量特性评价是工业过程特性评价和变量划分的常用方法之一。现有的多变量特性评价方法通常忽略了共存的高斯性、非高斯性、线性与非线性对故障检测模型构建的影响，会在一定程度上降低模型的性能。本文研究采用综合检验和非线性度量的多变量特性评价方法。首先，结合综合高斯性检验，引入非高斯重要因素和相应的子集划分迭代机制，提出高斯性与非高斯性评价方法，对复杂工业过程变量划分高斯与非高斯子空间；然后，给出基于加权非线性度量和非线性重要因素的线性与非线性评价方法，将高斯与非高斯子空间进一步划分为高斯线性、高斯非线性、非高斯线性与非高斯非线性子空间。而后，结合独立元分析、核独立元分析、主成分分析和核主成分分析方法，构建基于多变量子空间分解的工业过程故障检测模型。最后，利用综合统计量融合多子空间故障检测结果，实现工业过程的多变量特性评价、建模与检测。利用数值系统和田纳西伊斯曼(Tennessee Eastman, TE)化工过程的实验结果体现了提出方法应用于工业过程多变量特性评价和故障检测的可行性和有效性。(3) 基于多模态和多变量特性解析的工业过程故障检测方法。在多变量特性评价与子空间分解等研究成果基础上，针对多模态工业过程变量通常具有共存的高斯性、非高斯性、线性与非线性问题，本文给出了基于多模态和多变量特性解析的工业过程故障检测方法。首先，提出基于多阶统计量的公共变量提取方法，将多模态过程变量划分为公共和局部变量子集。然后，利用多变量特性评价方法将公共和局部变量子集进一步划分为公共和局部多变量特性子空间，实现复杂工业过程的多模态和多变量特性解析。而后，结合多变量子空间分解方法，对各子空间构建基于全局和局部多变量子空间分解的工业过程故障检测模型。最后，利用贝叶斯推理方法计算全局和局部子空间融合统计量。利用TE过程多模态数据进行实验，结果体现了提出方法对解决多模态和多变量特性解析与故障检测问题具有一定理论意义。(4) 基于动态非高斯混合序列建模的故障检测与识别方法。实际工业过程变量通常具有高斯性、非高斯性和动态等混合特性，即多个具有时间相关性的过程变量趋于非高斯分布，而其它过程变量则趋于高斯分布，这给工业过程故障检测带来了新的挑战。针对混合特性并存的工业过程故障检测与识别问题，本文提出基于动态非高斯混合序列建模的故障检测与识别方法。首先，针对多个高斯过程变量可能趋于联合非高斯分布从而导致高斯过程变量的误划分问题，给出基于综合检验的多变量高斯性与非高斯性评价方法，对过程变量划分高斯与非高斯变量子空间。然后，提出基于动态主成分分析(dynamic principal component analysis, DPCA)和动态独立元分析(dynamic independent component analysis, DICA)的混合序列建模方法，对各变量子空间构建变量层和信息层的混合故障检测模型，实现复杂工业过程的混合特性解析与建模。最后，为识别复杂工业过程的故障模式，提出基于DPCA和DICA的混合序列相似度因子，实现故障识别，为工业过程故障诊断与运行提供有效信息。利用数值系统、TE过程和实际卷烟制丝过程进行实验，结果体现了采用动态非高斯混合序列建模的故障检测与识别方法的优越性。(5) 基于多模态混合序列建模的动态故障检测方法。基于公共变量提取和混合序列建模等研究成果，针对高斯性、非高斯性和动态等混合特性并存的多模态过程故障检测和新模态问题，本文给出采用多模态混合序列建模的动态故障检测方法。首先，结合前期研究成果，提出基于多模态混合序列建模的工业过程故障检测方法，利用多变量高斯性与非高斯性评价方法将公共和局部变量子集划分为公共和局部高斯与非高斯变量子空间，进一步结合混合序列建模方法，对各变量子空间构建基于全局和局部混合序列建模的工业过程故障检测模型。然后，提出基于混合临近性度量的新模态识别方法，通过计算待监测数据与已知模态的混合临近性度量，获取模态相似性信息，进一步计算多模态相似性方差和判别阈值，实现新模态与故障的准确识别。最后，给出融合新模态数据的多模态过程动态建模策略，提升模型对新模态的自适应能力。通过TE过程多模态数据的仿真结果表明了提出方法对解决工业过程的新模态识别与动态建模具有一定指导意义。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 146页 |
| 源URL | [http://ir.sia.cn/handle/173321/30064]  |
| 专题 | 沈阳自动化研究所_数字工厂研究室 |
| 作者单位 | 中国科学院沈阳自动化研究所 |
| 推荐引用方式 GB/T 7714 | 李帅. 多模态复杂工业过程故障检测方法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
入库方式： OAI收割
来源：沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。