多變量經驗模態(tài)分解在化工過程故障診斷中的應用研究.pdf

1、現(xiàn)今化工過程生產工藝日趨復雜、規(guī)模日漸龐大，加之化工數(shù)據本身維度高、數(shù)量大、相關性強且充斥噪聲等特點，無不令安全生產和產品質量面臨更大挑戰(zhàn)和更高要求。為此，本文利用經驗模態(tài)分解(EMD)按照頻率尺度自適應處理信號提取故障特征的能力，以及多變量經驗模態(tài)分解(MEMD)處理關聯(lián)信息的優(yōu)勢，對其在化工過程中的故障診斷應用探索研究，同時結合改進的動態(tài)可見圖算法，提出一種數(shù)據驅動的故障診斷方法，應用于田納西-伊士曼(TE)過程的實時監(jiān)測和在線診斷

2、，仿真結果驗證了提出方法的有效性與優(yōu)越性。主要研究內容涵蓋如下:
　　首先，利用殘差對故障的敏感性，提出基于總體平均EMD(EEMD)殘差的故障診斷方法。根據歷史數(shù)據的6σ控制圖，確定殘差的故障診斷控制限;利用在線實時數(shù)據采用貝葉斯信息準則在線確定EEMD的移動窗口;通過移動窗口的采樣數(shù)據，在線獲得EEMD殘差最大值的變化，結合相應的故障診斷控制限在線診斷故障并確定故障發(fā)生時間及原因。
　　其次，為提高過程監(jiān)測的效率和精度，

3、克服單一變量監(jiān)測的局限性，提出一種基于改進動態(tài)可見圖(MDVG)算法的多變量過程在線故障監(jiān)測方法。通過數(shù)據歸一化和引入時間間隔常數(shù)，改進動態(tài)可見圖(DVG)，使得DVG所關注特性的眾數(shù)出現(xiàn)次數(shù)的均值最小，以細分不同時序數(shù)據的網絡特性。
　　最后，結合MEMD和MDVG，提出MEMD-MDVG故障診斷方法。利用MEMD殘差確定監(jiān)測變量，將各個監(jiān)測變量的歷史數(shù)據利用MDVG確定監(jiān)測指標及閾值并實施在線監(jiān)測，異常情況下再借助MEMD殘差