過程控制系統異常數據檢測算法的研究.pdf

1、隨著科技的飛速發(fā)展，過程控制領域中對系統的要求越來越高，主要表現在控制精度、響應速度、穩(wěn)定性以及魯棒性等方面，因此導致實際中過程控制系統的規(guī)模越來越大，復雜程度越來越高。此外，在大多數情況下，由于工業(yè)過程或被控對象具有機理復雜性、非線性、參數時變性、大滯后、強耦合性、不確定性等特點，致使難以建立工業(yè)過程或被控對象精確的數學模型，同時也為控制決策的制定帶來了很大的挑戰(zhàn)。為此，科研人員將目光轉向過程控制中產生的大量的過程數據，從過程數據出發(fā)

2、，尋求基于數據的建模方法和控制策略，并取得了一定的研究成果，這使得過程數據在過程控制系統領域中的地位有了顯著的提高。但是，隨著過程數據重要性的不斷提高，其質量的好壞也越來越受到科研人員的關注，因為一組良好的過程數據能為模型的建立以及控制決策的制定提供精確的依據。反之，含有異常值的過程數據將會使模型的建立不夠準確，甚至導致過程控制系統中控制策略制定的失敗。
　　在此背景下，本文在深入分析了過程控制系統中過程數據特點的基礎上，提出了針

3、對過程控制系統的異常數據檢測算法。主要內容歸納如下:
　　(1)針對過程控制系統的結構和過程數據的產生機制，本文為過程控制系統中的異常數據給出了專門的定義，進而根據此定義制定出了異常數據的檢測策略，即基于模型的檢測。
　　(2)在檢測策略中至關重要的一步就是數據模型的建立。本文根據過程數據的特點提出了利用時間序列對過程數據進行建模的思想，在線性建模思想的基礎上，采用了具有聯想記憶功能的動態(tài)神經網絡來對時間序列進行建模。通過仿

4、真對比分析，動態(tài)神經網絡對時間序列建模無論從準確性還是效率上都優(yōu)于線性建模方法，仿真實驗證明了本文采用的建模方法具有較好的應用效果。
　　(3)根據建立好的動態(tài)神經網絡模型，可以得到過程數據的擬合殘差。為了更好的分析此殘差。本文引入了小波變換的思想，通過對殘差進行小波變換，再根據小波分析的模極大值原理和李氏指數等相關理論可以較好的檢測出過程數據中存在的異常數據。同樣通過仿真實驗驗證了小波分析在異常值檢測方面的有效性。
　　(