基于ICA-SVDD的過程故障檢測(cè)方法研究.pdf

1、隨著工業(yè)智能化程度越來越高，保障生產(chǎn)過程安全和產(chǎn)品質(zhì)量已成為當(dāng)前必須面對(duì)的問題，而過程檢測(cè)技術(shù)就是解決此類問題的有效方法。工業(yè)生產(chǎn)運(yùn)行過程每時(shí)每刻都在產(chǎn)生并儲(chǔ)存大量數(shù)據(jù)信息。近年來，基于數(shù)據(jù)的過程檢測(cè)技術(shù)得到了較大地發(fā)展；其中，多變量統(tǒng)計(jì)過程檢測(cè)方法是該領(lǐng)域的研究重點(diǎn)。
　　多元統(tǒng)計(jì)分析方法在工業(yè)化工過程故障檢測(cè)領(lǐng)域已得到廣泛應(yīng)用。傳統(tǒng)主成分分析方法（Principal component analysis，PCA）是基于全局結(jié)構(gòu)

2、特征的過程檢測(cè)方法，對(duì)過程數(shù)據(jù)的整體結(jié)構(gòu)具有較強(qiáng)地捕捉性。PCA方法對(duì)工業(yè)過程檢測(cè)時(shí)，需要先假設(shè)過程數(shù)據(jù)服從高斯分布和線性特性，但實(shí)際化工生產(chǎn)過程中數(shù)據(jù)總是存在非高斯信息和噪聲等干擾因素，且PCA方法僅僅解除了變量相關(guān)性并沒有對(duì)獨(dú)立性進(jìn)行分析。獨(dú)立成分分析（Independent component analysis，ICA）方法，可以彌補(bǔ)PCA檢測(cè)模型的不足，通過高階統(tǒng)計(jì)量提取過程數(shù)據(jù)中的獨(dú)立成分，獲得相互統(tǒng)計(jì)獨(dú)立的數(shù)據(jù)信息，且服從高

3、斯分布。ICA方法對(duì)過程數(shù)據(jù)存在非高斯性有較好的處理能力，但I(xiàn)CA方法處理過程數(shù)據(jù)存在非線性問題時(shí)，不如支持向量數(shù)據(jù)描述（Support vector data description，SVDD）方法效果好。SVDD通過把原始數(shù)據(jù)投影到特征空間，在特征空間構(gòu)建一個(gè)包含樣本數(shù)據(jù)的超球體，通過構(gòu)建SVDD模型實(shí)現(xiàn)過程故障檢測(cè)。
　　針對(duì)工業(yè)過程數(shù)據(jù)具有分布復(fù)雜的特性，且實(shí)際工業(yè)過程數(shù)據(jù)存在非線性和非高斯性問題，基于此，本課題結(jié)合ICA

4、算法和SVDD算法完成化工過程故障檢測(cè)，提出一種基于ICA-SVDD的工業(yè)過程故障檢測(cè)方法。首先，利用ICA算法對(duì)工業(yè)過程數(shù)據(jù)進(jìn)行數(shù)據(jù)獨(dú)立成分提取，提取獨(dú)立成分需要尋找一個(gè)分離矩陣W，通過W的線性變化，可以將獨(dú)立主元從混合信號(hào)中分離出來，所得到的獨(dú)立成分是相互統(tǒng)計(jì)獨(dú)立的；然后，把提取出來的數(shù)據(jù)利用SVDD算法進(jìn)行數(shù)據(jù)的重構(gòu)，構(gòu)建相關(guān)統(tǒng)計(jì)量并確定其相應(yīng)的統(tǒng)計(jì)限，最后，完成對(duì)田納西-伊斯曼（Tennessee Eastman，TE）過程的數(shù)