论文部分内容阅读
故障检测与诊断(FDD, Fault Detection and Diagnosis)是保证现代工业安全性、可靠性、产品质量和效益的重要手段。由于传统的单一型故障检测与诊断技术仅适合处理某些简单系统,难以直接扩展至时变、非线性、非高斯、多模、间歇等复杂的多变量动态随机工业过程,因此,近年来将几种单一型故障检测与诊断技术相结合的集合型故障检测与诊断技术,特别是,集合型实时故障检测与诊断技术成为国内外学术界和工业界研究的热点与难点。为了提高集合型故障检测与诊断的准确性、实时性和快速性,本文在总结和分析国内外研究现状基础上,重点围绕集合型实时故障检测与诊断的三个关键技术:提升小波实时降噪技术、故障特征增量提取技术、基于在线机器学习的故障分类与聚类技术,展开了深入研究。主要工作包括:1)集合型实时故障检测与诊断一般结构研究;2)针对实时数据,集合型实时故障检测与诊断改进方法研究;3)针对历史数据,批量式集合型快速故障检测与诊断改进方法研究。本文将提升小波、增量式特征提取和在线分类与聚类技术相结合,提出了一种集合型实时故障检测与诊断典型结构,即“提升小波实时去噪+增量式特征提取+在线故障分类与聚类”结构。为了降低噪声对集合型实时故障检测与诊断性能的影响,提出了基于提升小波双变量阈值实时降噪方法。为了提高集合型故障检测的准确性、实时性和快速性,针对高斯过程,提出了3种集合型故障检测改进方法。具体为:针对时变过程,提出了基于提升小波和移动窗PCA (LW-MWPCA)实时故障检测方法;针对动态非线性过程,提出了基于提升小波和动态核PCA (LW-DKPCA)故障检测方法;针对间歇过程,提出了基于提升小波和多项PCA(LW-MPCA)故障检测方法。为了提高集合型故障诊断的准确性、实时性和快速性,针对高斯过程,提出了基于提升小波和自适应递推最小二乘支持向量机(LW-ARLSSVM)、基于提升小波和增量概率神经网络(LW-IPNN)、基于提升小波和增量聚类(LW-ICLUSTER)3种集合型实时故障诊断改进方法;针对非高斯过程,提出了在提升小波实时降噪基础上,基于快速独立成分分析和在线机器学习两种集合型快速故障诊断改进方法,即LW-FICA-ARLSSVM、LW-FICA-IPNN方法。理论分析和实验研究表明,本文提出的集合型故障检测与诊断系列方法的性能优于单一类型的故障检测与诊断方法的性能。本论文的研究,为集合型实时故障检测与诊断技术的应用提供了理论依据。