基于MATLAB故障诊断系统设计(3)

沈阳理工大学学士学位论文

层数较多时，学习训练能力下降。1995年，Tan和Mavrovouniotis提出用输入训练(Input Training，简称IT)神经网络进行非线性主元分析。IT神经网络特点在于神经网络输入没有给出，学习样本只有输出数据，所以其内部权值和输入都需要学习调整。

(3)自适应方法

在实际工业生产中，由于原料性质的改变、外界环境的变化、过程负荷的改变、设备的磨损等因素，导致工业过程的操作条件是多变的，但是传统的多变量统计方法假定在所考虑的时间尺度上，数据都是静态不变的。所以，有必要对传统的算法做进一步改进以克服系统的非静态特性，以达到自动调整诊断模型，实现故障诊断的准确性和实时性。系统的漂移可以分成两种情况，一种是变量的均值和方差发生了变化，而变量之间的定性关系仍保持不变，第二种情况是除了均值和方差发生变化之外，变量之间的关系也发生了变化。在第一种情况下，Rosen和Lennox提出通过更新数据的归一化参数的方法来适应均值和方差的变化比。第二种情况比第一种情况要复杂一些，Dayal和MacGregor,Qin等采用了递归的方法。这些基于递归的方法的基本原理是将新的测量数据以一定的权值包含到待处理的数据矩阵中，这些权值一般是指数减小的，也就是说，随着过程的进行，历史数据对当前数据矩阵的影响是逐渐减小的，当前时刻的数据具有最大的权值，而离当前时刻越远的时刻的数据具有越小的权值。基于递归的自适应算法也在一定程度上克服了非线性的影响，因为递归模型可以看成是系统在不同操作点的线性化模型。

(4)多尺度方法

传统的多元统计方法没有考虑到频率特性，即数据信息的提取和压缩都是在同一时间尺度上完成的。PCA方法对测量变量的时间序列进行建模，建模过程中仅仅考虑了采样间隔这一尺度，因此该模型是单尺度的。单尺度模型仅适合于在一个时间尺度上有贡献的数据。但是由于多种原因，在单一尺度上建立的模型对于某些尺度上的事件并不灵敏。小波分析为解决多尺度问题提供了可能性。测量信号通过小波分析被分解为不同尺度上的信号，信号的高频信息被包含在高尺度上，而低频信息被包含在低尺度上。Bakshi提出的多尺度PCA( Multiscale PCA，MSPCA)，利用小波变换将每一信号分解为多个尺度上的信号，在每一尺度上分别建立相应的模型。

(5)层次和多块主元分析方法

对于大型的化工联合企业而言，每一生产流程都涉及大量的化工装置，总的测量变量个数也极为庞大，因此，在建立统计过程模型时，对模型中变量之间相互关系的解释

6

沈阳理工大学学士学位论文

极为复杂，使模型难以实际应用。一种有效的方法就是建立一种层次模型，将整个装置分为若干等级，每一等级都建立相应的模型。Wangen，Kowalshi和MacGregor等研究者分别阐述了多块或多层次PCA的思想，使模型的解释能力大为增强。层次PCA或多块PCA将数据分层次组织起来，下一等级的得分被用于构造上一等级的PCA模型。每一模型都相对比较简单，与单一的PCA模型相比，这种建模方法具有更好的解释能力，特别是对于流程工业而言，测量数据可能来自同一流程不同的过程装置或过程单元，对每一过程装置或单元的测量数据分别建立相应的统计模型，然后从每一模型中抽取出主元，构建出上面一层的模型。这一思想实质上是一种将大系统层层分解简化的方法，对于最底层的模型而言，由于模型中的测量变量都是来自于同一过程单元，变量之问的相互关系相对比较明确，模型的解释能力比较强。因此，基于层次或多块思想的建模方法相比传统的单一PCA模型，具有更好的解释能力和故障诊断能力。

(6)间歇生产过程的监控方法

以上方法主要应用于连续工业生产过程的故障诊断，作为工业生产中另一种重要的生产方式之一的间歇生产过程，与连续生产过程相比，具有启停频繁、动态特性变化快、时序操作严格、多阶段、有限生产(以批次为周期的生产)等特点，间歇生产过程的故障诊断更为复杂。不同于连续过程的二个维度，其测量数据包括时间、变量、批次三个维度。Nomikos和MacGregor提出了基于复合主元分析(Multiway Principal ComponentAnalysis，MPCA)的过程监控方法。该方法通过将三维矩阵按时间进行切片，展开成二维矩阵，从而利用主元分析对其进行监控。

1.3 本次设计主要工作内容

本文通过查阅相关资料文献，通过对多种故障诊断方法的研究，选取基于主元分析（PCA）的方法作为本文设计故障诊断系统的基础。本文主要研究了基于主元分析的数学原理和实现过程，并使用田纳西--伊斯曼过程TEP (Tennessee Eastman Process)平台产生仿真数据，利用MATLAB软件建立故障检测与诊断模型。通过T2和Q(或SPE)统计量与其阈值的判断，并通过贡献率图对系统进行故障诊断。实验表明，基于PCA的故障诊断方法能够对过程的非正常变化做出反应，也能较正确地找出发生故障的原因以及相应环节。

7

沈阳理工大学学士学位论文

2 故障诊断方法研究

系统故障是指系统中的重要变量或特性出现了较大偏差，在一定时间内系统主要功能指标超出规定的范围。从广义上来看，故障可以理解为系统的任何异常现象，使系统表现出所不期望的特性。故障诊断技术是一门综合性的技术，涉及到多门学科，如现代控制理论、可靠性设计、数理统计、模糊集理论、信号处理、模式识别、人工智能等。

故障诊断技术所使用的方法目前尚未有一个统一的分类标准，常见的分类方式将其分为三类：基于解析模型的方法、基于知识的方法、基于数据分析的方法

[12]

。

2.1 基于解析模型的方法

基于解析模型的方法又称为解析冗余法。该方法以系统的数学模型为基础，利用状态观测器、卡尔曼滤波器、参数估计辩识、等价空间方程等方法产生残差，然后基于某种准则或阈值对残差进行分析与评价，实现故障诊断。由于该方法能与系统的机理模型紧密结合，可以方便地实现监控、容错控制、故障重构等。根据残差的产生方式可细分为状态观测法、参数估计法和等价关系法等。 2.1.1 状态观测法

当故障与执行器、传感器或状态变量的变化密切相关时，状态观测法是一种比较合适的故障检测与诊断方法。使用状态观测法或卡尔曼滤波器重构被控过程的状态，与可测变量相比较构成残差序列，通过统计检验对残差进行分析，当残差超过了设定的阈值，就可以确认检测到故障的发生。根据状态对应的物理意义，可进一步对故障进行辨识及决策。用状态观测法进行故障检测与诊断需要一个合适准确的系统机理模型，该模型的建立对故障的辨识过程极为有利。但是对于某些大型的工业工程来说，建立一个准确的系统模型并非轻而易举的事情。 2.1.2 参数估计法

如果过程故障是和模型参数的变化密切联系的，并且恰当准确的数学模型容易得到，则用参数估计法进行故障诊断比较合适。使用该方法时，首先建立被控过程的输入输出参数模型，然后根据系统的输入输出序列计算出模型参数，由模型参数估计过程物理参数，将它与过程中的实际物理参数相比较得到残差序列。最后根据残差序列的变化检测故障是否发牛，当确定有故障发生时，再根据参数的变化进行故障分离、估计及决

8

沈阳理工大学学士学位论文

策。一种强跟踪滤波器理论可用于非线性系统的在线故障诊断。用参数估计法进行故障诊断需要对系统的机理有深入的了解，这样 …… 此处隐藏：3313字，全部文档内容请下载后查看。喜欢就下载吧 ……