基于全局和局部结构特征提取的故障检测方法研究

《基于全局和局部结构特征提取的故障检测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号______________________________密级______________________________ＵＤＣ______________________________编号______________________________硕士学位论文基于全局和局部结构特征提取的故障检测方法研究学位申请人：何东学科专业：控制科学与工程指导教师：衷路生副教授答辩日期：独创性声明本人郑重声明：所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致

2、谢的地方外，论文中不包含其他人已经发表和撰写的研究成果，也不包含为获得华东交通大学或其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人签名_______________日期____________关于论文使用授权的说明本人完全了解华东交通大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅。学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。保密的论文在解密后遵守此规定，本论文

3、无保密内容。本人签名____________导师签名__________日期___________摘要基于全局和局部结构特征提取的故障检测方法研究摘要随着工业过程自动化程度的逐渐提高，实时检测到故障并保证过程的安全运行也越来越重要。现代工业过程每天都会产生和存储大量的数据，根据过程数据进行特征提取和统计建模，并基于相应的故障检测算法进行过程监测越来越成为过程监测领域的研究热点。目前，比较流行的故障检测算法主要有主成分分析(PCA)等全局结构特征提取法、邻域保持嵌入(NPE)等局部结构特征提取法，本文针对这些传

4、统方法的不足提出如下的故障检测算法：(1)提出基于分布式ICA-PCA的故障检测算法，适合于复杂工业过程难以自动划分子块和过程数据存在非高斯信息的情况。该算法首先对过程数据进行PCA分解，并在PCA主成分不同的方向上构建不同的子块，把原始特征空间自动划分为不同子空间；然后对各个子块采用ICA-PCA两步信息提取的策略，提取出高斯信息和非高斯信息，并构建新的统计量和统计限；最后，通过仿真实验验证所提出故障检测算法的有效性。（2）针对工业过程并非完全符合多元正态分布及存在非局部属性的问题，提出基于稀疏保持投影（S

5、PP）的故障检测算法。首先，与局部保持投影（LPP）和邻域保持嵌入（NPE）等现有技术在降维过程中保持局部邻域信息不同，SPP通过最小化一个l1正则化相关目标函数保持数据的稀疏重构关系，并计算出投影向量；其次，利用投影向量将原始数据空间划分为特征空间和残差空间，构建统计量和统计限；最后，通过仿真实验验证了所提出方法具有较好的检测效果。（3）针对传统故障检测算法仅仅嵌入数据的局部或全局结构的问题，提出基于局部-全局保持嵌入（LGPE）的故障检测算法。LGPE算法利用邻域保持嵌入(NPE)的目标函数嵌入局部数据结

6、构，同时设计一个新的目标函数约束样本与其非近邻点间的相对位置；然后，通过双重的优化问题同时保存原始数据的局部和全局结构特征，并构建统计量和统计限；最后，通过仿真实验验证所提出算法的实用性和可行性。（4）鉴于浅层结构故障检测算法对复杂函数表示能力和复杂问题泛化能力不足的局限，本章利用深层学习算法的优势，提出基于降噪自动编码器(DAE)的故障检测算法。首先为了避免过度拟合，在自动编码器的基础上引入l范式惩罚项；然后添加噪声1建模以提高算法的鲁棒性，进而构建基于降噪自动编码器的故障检测模型；最后，通过数值和TE过程

7、的仿真实验表明：本章所提出的故障检测算法具有很好的鲁棒性，有效地提取了原始数据的本质特征。I摘要关键词：故障检测，分布式ICA-PCA，稀疏性，局部-全局保持嵌入，降噪自动编码器IIAbstractSTUDYOFFAULTDETECTIONBASEDONGLOBALANDLOCALSTRUCTUREFEATUREEXTRACTIONABSTRACTWiththegradualincreaseinthedegreeofindustrialprocessautomation,real-timedetectiono

8、fthefaultandthesafeoperationoftheprocessisincreasinglyimportant.Inmodernchemicalprocess,numerousobservationscanbewellcollectedandstored,ithasbecomeoneoftheresearchhotspotsinindustrialprocessmonitoringw