学位论文 > 优秀研究生学位论文题录展示

数据局部时空结构特征提取与故障检测方法

作　者: 苗爱敏
导　师: 宋执环
学　校: 浙江大学
专　业: 控制科学与工程
关键词: 多变量统计过程监控数据降维时空结构分析流形学习故障检测
分类号: TP277
类　型: 博士论文
年　份: 2014年
下　载: 34次
引　用: 0次
阅　读: 论文下载

内容摘要

实时过程监控是保证工业过程安全平稳运行以及产品质量的关键技术和有效手段。现代工业过程每天都生产和存储大量的过程测量数据,这些数据反映了生产过程及设备的运行情况。传统的多变量统计过程监测(MSPM)方法,利用过程数据进行统计建模和特征提取,并基于相应的过程监控算法实时监测,已经成为工业过程综合自动化技术研究的热点和前沿。MSPM大多采用维度约简方法提取数据特征,去除冗余信息,降维算法的数据特征提取能力直接影响到过程监控的性能。传统的维度约简算法,如PCA主要对数据的全局结构特征进行提取,没有考虑数据的局部结构信息。本论文从数据线性降维的角度出发,基于局部流形学习算法NPE的思想,对数据的空间和时序结构特征进行提取,并基于标准TE过程仿真验证本论文提出方法的有效性。1.将正交保持嵌入(ONPE)通过核方法扩展为核正交保持嵌入算法(KONPE),并将其应用于非线性故障检测。NPE算法从样本的局部空间结构出发,在降维的同时保留了数据的潜在流形结构信息,其正交约束算法ONPE进一步增强了对非线性数据的特征提取和区分能力。KONPE显式地考虑了数据间的非线性结构,提高了对非线性数据的提取能力,比传统的KPCA算法具有更强的空间结构保持能力,因此带来了更好的检测效果。2.在局部特征提取算法NPE的基础上,提出了基于数据非局部限制的空间局部结构分析方法：基于非局部约束的邻域保持嵌入算法(NSC-NPE)。NPE算法主要关注数据的局部结构特征,没有对非局部数据进行约束,丢失了数据信息。考虑该不足,提出对非邻域内的数据进行约束,据此构建了新的目标函数,给出了平衡数据局部和非局部结构的策略和计算方法。目标是使得数据降维后得到的维度约简空间不仅和原数据具有相似的局部近邻结构,而且其非近邻数据的关系特征也能够得到保留,因此包含了数据整体结构特征信息。同时相比于基于全局结构的方法(如PCA), NSC-NPE针对邻域内和非邻域内的数据分别采用不同的方法进行处理,能够更有效地解释数据的特征信息,因此也具有较好的故障检测效果。3.利用局部特征提取的方法,提出了针对动态数据的时序结构局部特征提取算法：时间近邻保持嵌入算法(TNPE)。并进一步考虑数据的时序-空间结构特征,提出了时空近邻保持嵌入算法(TSNPE)。实际的工业过程数据一般具有较强的动态相关性,这部分特征反映了数据的时序变化情况,因此在特征提取时需要保留该部分数据关系。传统的仅关注数据空间结构特征的方法不适用于对动态自相关数据的处理,基于此,我们为每个数据点建立基于时间的邻域空间,并对每个数据利用其邻域点进行线性重构,据此来获取数据间的动态相关关系,并在低维空间保留该局部特性。数值仿真和TE过程仿真结果表明了：基于动态相关信息保留的方法,更易于获得数据的本质特性,能够有效提取其时间和空间结构特征。4.以局部特征提取的线性维度约简算法NPE为例,深入分析了流形学习算法在过程监控领域的应用特点和本质机理。流形学习算法在过程监控领域的应用,经过近几年的发展已经取得了较好的应用效果,但是该类方法在该领域的理论研究还较少。通过分析算法特点、应用条件以及适用范围,对其在过程监控领域应用的适用性进行理论分析。同时对NPE算法的统计量构建问题展开讨论,分析了较于传统方法,局部方法的T2和SPE统计量构建的不同之处。最后对流形学习算法在过程监控领域应用存在的优势和问题进行了总结。

全文目录

致谢  5-7
摘要  7-9
Abstract  9-18
1 绪论  18-46
  摘要  18
  1.1 引言  18-19
  1.2 过程监控的研究内容和研究现状  19-26
    1.2.1 过程监控的基本概念和研究内容  20-22
    1.2.2 过程监控的主要方法  22-26
  1.3 统计过程监控的发展和存在问题  26-32
    1.3.1 统计过程监控的发展  26-27
    1.3.2 多变量统计过程监控存在的问题  27-32
  1.4 多变量统计过程监控中的数据降维  32-40
    1.4.1 基于数据降维的过程监控方法  32-34
    1.4.2 流形学习  34-39
    1.4.3 NPE算法介绍  39-40
  1.5 本文的研究内容和创新点  40-44
    1.5.1 主要研究内容  40-42
    1.5.2 各章节介绍  42-44
  1.6 本章小结  44-46
2 基于核正交近邻关系保持嵌入的故障检测  46-60
  摘要  46
  2.1 引言  46-48
  2.2 正交邻域保持嵌入(ONPE)  48-49
  2.3 核正交邻域保持嵌入  49-51
  2.4 基于KONPE的故障检测  51-53
  2.5 实例研究  53-59
    2.5.1 数值仿真  53-55
    2.5.2 TE Benchmark实验研究  55-59
  2.6 本章小结  59-60
3 基于非局部约束的局部保留嵌入算法及故障检测  60-78
  摘要  60
  3.1 引言  60-61
  3.2 问题描述  61-63
  3.3 非局部约束的邻域保持嵌入算法(NSC-NPE)  63-68
    3.3.1 局部结构  63-64
    3.3.2 非局部结构  64-65
    3.3.3 NSC-NPE的目标函数  65-66
    3.3.4 算法分析  66-67
    3.3.5 参数选择  67-68
  3.4 基于NSC-NPE算法的故障检测  68-69
  3.5 实例研究  69-75
    3.5.1 数值仿真  69-71
    3.5.2 Tennessee Eastman Benchmark实验研究  71-75
  3.6 本章小结  75-78
4 基于时序扩展的NPE算法及其在故障检测中的应用  78-96
  摘要  78
  4.1 引言  78-79
  4.2 问题描述  79-80
  4.3 时序近邻保持嵌入算法  80-84
    4.3.1 算法思想和步骤  80-82
    4.3.2 理论分析  82-83
    4.3.3 算法比较  83-84
  4.4 基于时间和空间结构保留算法  84-89
    4.4.1 TSNPE算法描述  85-87
    4.4.2 参数选择  87-88
    4.4.3 算法比较  88-89
  4.5 基于TNPE和TSNPE的故障检测  89-90
  4.6 实例研究  90-95
    4.6.1 多变量动态过程  90-92
    4.6.2 TE benchmark实验研究  92-95
  4.7 本章小结  95-96
5 基于NPE的过程监控理论分析  96-112
  摘要  96
  5.1 引言  96-97
  5.2 基于流形学习的过程监控的机理分析  97-99
    5.2.1 流形学习算法的前提假设  97-98
    5.2.2 工业过程数据特征  98-99
  5.3 流形学习算法的过程监控特点  99-108
    5.3.1 基于NPE的数据特征提取  99-102
    5.3.2 基于NPE的统计量构建特点  102-105
    5.3.3 NPE算法的故障检测性能  105-108
  5.4 流形学习应用于过程监控的优势及存在问题  108-110
  5.5 本章小结  110-112
6 总结与展望  112-116
  摘要  112
  6.1 研究工作总结  112-113
  6.2 研究工作展望  113-116
参考文献  116-136
攻读博士学位期间完成的学术论文  136-137
攻读博士学位期间参加的科研项目  137-138
作者简介  138

数据局部时空结构特征提取与故障检测方法

内容摘要

全文目录

相似论文