基于RNMF-SVDD的故障檢測與診斷.pdf

1、隨著工業(yè)過程規(guī)模的不斷擴(kuò)大和復(fù)雜性的日益提高,有效的故障檢測與診斷是保證生產(chǎn)安全、提高產(chǎn)品質(zhì)量和經(jīng)濟(jì)效益的關(guān)鍵。另外,隨著計(jì)算機(jī)集散控制系統(tǒng)的應(yīng)用和發(fā)展,大量的工業(yè)過程數(shù)據(jù)被采集和存儲(chǔ)。如何從這些海量數(shù)據(jù)中挖掘出隱藏的有用信息,提高故障檢測與診斷能力,已經(jīng)成為越來越迫切需要解決的問題。
　　由于現(xiàn)代工業(yè)過程日趨大型化和復(fù)雜化,對(duì)于許多復(fù)雜的過程對(duì)象,工業(yè)過程數(shù)據(jù)往往具有特點(diǎn):(1)數(shù)據(jù)各變量之間的關(guān)系的非線性;(2)數(shù)據(jù)的各變量非

2、正態(tài)分布特性;(3)數(shù)據(jù)的非完整性。傳統(tǒng)的基于多元統(tǒng)計(jì)的方法(PCA、PLS)并不能應(yīng)對(duì)上述的3個(gè)特點(diǎn)。
　　針對(duì)工業(yè)過程數(shù)據(jù)的非完整性,本文提出了一種魯棒的非負(fù)矩陣分解( Robust Non-negative Matrix Factorization, RNMF)降維方法。非負(fù)矩陣分解(Non-negative Matrix Factorization, NMF)在實(shí)現(xiàn)數(shù)據(jù)壓縮與維數(shù)約減的同時(shí),具有正向純加性和矩陣稀疏性等特點(diǎn)

3、,表現(xiàn)出很好的數(shù)據(jù)解釋能力和對(duì)非完整數(shù)據(jù)缺陷的抑制能力。本文提出的RNMF算法是對(duì)NMF算法改進(jìn),主要解決數(shù)據(jù)非完整性問題。
　　針對(duì)工業(yè)過程數(shù)據(jù)的各變量之間的關(guān)系的非線性和非正態(tài)分布特性,本文提出模糊的支持向量數(shù)據(jù)描述(support vector data description, SVDD)方法。作為單類分類器,SVDD方法是支持向量機(jī)(Support Vector Machine, SVM)的變種,可以建立正常數(shù)據(jù)超球面實(shí)

4、現(xiàn)故障檢測和建立各類故障超球面實(shí)現(xiàn)故障診斷。本文引入模糊概念,建立了具有更高分類精度的模糊SVDD算法以用于故障檢測與診斷。
　　本文最后提出了基于RNMF-SVDD的故障檢測和故障診斷的新方法,首先使用RNMF方法進(jìn)行降維處理,再使用SVDD建立正常數(shù)據(jù)超球面實(shí)現(xiàn)故障檢測和建立各類故障超球面實(shí)現(xiàn)故障診斷?；赥EP( Tennessee Eastman process)的實(shí)驗(yàn)仿真表明基于RNMF-SVDD故障診斷方法相對(duì)于基于P