魯棒模型預(yù)測控制與基于數(shù)據(jù)重構(gòu)的故障檢測.pdf

1、近年來，隨著工業(yè)規(guī)模的不斷擴(kuò)大、復(fù)雜程度的不斷提高以及大量數(shù)據(jù)的涌現(xiàn)，工業(yè)過程的質(zhì)量控制和性能控制面臨著巨大的挑戰(zhàn)。預(yù)測和監(jiān)測逐漸成為了兩種必不可少的手段，所以發(fā)展有效的工具實(shí)現(xiàn)對工業(yè)過程的及時(shí)、穩(wěn)定預(yù)測和監(jiān)測，降低各種因素對工業(yè)運(yùn)行性能的負(fù)面影響是具有非常重要意義的。本文的主要工作如下:
　　1.提出了一個(gè)延遲依賴記憶型魯棒模型預(yù)測算法。該系統(tǒng)的時(shí)間延遲雖然大小未知，但具有明確上下界。將最小最大優(yōu)化問題轉(zhuǎn)換為求“在最糟糕狀況下”

2、代價(jià)函數(shù)上界最小問題，利用線性矩陣不等式得到了一個(gè)新的代價(jià)函數(shù)單調(diào)性充分條件;記憶型狀態(tài)反饋控制率被首次引入到魯棒模型預(yù)測控制中，使用所得到的充分條件證明了引入的控制率能使代價(jià)函數(shù)的上界最小，且能保證閉環(huán)系統(tǒng)漸近穩(wěn)定;通過一個(gè)非線性系統(tǒng)的例子說明了所給算法良好的性能。
　　2.提出了一個(gè)新的多尺度非線性過程質(zhì)量監(jiān)測與故障檢測方法，被稱為尺度篩選多尺度算法(Scale-Sifting Multi-Scale Algorithm，SM

3、A)。這個(gè)算法包括尺度篩選基準(zhǔn)、數(shù)據(jù)分解與重構(gòu)以及改進(jìn)的動(dòng)態(tài)核偏最小二乘等三個(gè)部分。與現(xiàn)在流行的多尺度算法相比，尺度篩選多尺度算法的關(guān)鍵特點(diǎn)在于能夠在沒有任何先驗(yàn)假設(shè)的條件下實(shí)現(xiàn)關(guān)鍵尺度數(shù)據(jù)的篩選和重構(gòu)，數(shù)據(jù)在沒有任何先驗(yàn)假設(shè)的情況下被分解;尺度篩選基準(zhǔn)被用于篩選出包含過程異常狀況關(guān)鍵特征的關(guān)鍵尺度;根據(jù)所選出的尺度進(jìn)行全局?jǐn)?shù)據(jù)重構(gòu);改進(jìn)的動(dòng)態(tài)核偏最小二乘被用于分析中心化后的重構(gòu)數(shù)據(jù)。仿真和實(shí)驗(yàn)結(jié)果表明尺度篩選多尺度算法在多尺度故障檢測

4、方面優(yōu)越的性能。
　　3.提出了一種新的壓縮稀疏主元分析算法(Compressive Sparse Principal Component Analysis，CSPCA)用于過程監(jiān)測與故障檢測。該方法由壓縮部分重構(gòu)算法以及改進(jìn)的稀疏主元分析算法構(gòu)成。CSPCA算法在沒有任何先驗(yàn)假設(shè)的情況下實(shí)現(xiàn)對于異常信號的壓縮和部分重構(gòu)。根據(jù)主元分析與數(shù)據(jù)矩陣奇異值分解之間的關(guān)系，通過將L2,1范數(shù)作為目標(biāo)函數(shù)和懲罰項(xiàng)得到一個(gè)獲取稀疏主元負(fù)載的凸