基于混合型判别分析的工业过程监控及故障诊断
工业过程数据具有规模性大、复杂性高、变量多、关联性强等特点.如何从数据出发准确并快速地发现故障并处理,保证过程高效运行意义重大.本文针对复杂的工业过程,提出了一种多方法结合的混合型过程监控与故障诊断方法,完成数据分类,构建故障模型库,故障在线诊断及可视化相关处理.首先通过常规主成分分析(Principal component analysis,PCA)方法对历史数据进行初筛,区分出正常和故障信息,然后利用聚类方法对故障数据集进行分类,接着利用局部线性指数判别分析方法(Local linear exponential discriminant analysis,LLEDA)建立故障模型库进而进行故障诊断.本文将基于监督学习的LLEDA方法拓展到无监督学习,便于复杂工业大量无标签数据的处理.最后利用典型的田纳西伊士曼(Tennessee Eastman,TE)过程对所提出的方法进行有效性验证.
复杂工业过程、混合型故障诊断、局部线性指数判别分析、可视化
46
国家自然科学基金;东北大学流程工业综合自动化国家重点实验室开放课题基金
2020-09-15(万方平台首次上网日期,不代表论文的发表时间)
共15页
1600-1614