陈勇[1]2003年在《基于多元统计分析的生产过程故障诊断研究》文中指出随着生产水平和科学技术的不断提高，现代工业过程系统的自动化控制朝着大型化、复杂化的方向发展，这类系统和设备一旦发生故障，排除的时间增长，不仅造成巨大的经济损失，甚至造成人员伤亡和环境污染。因此研究和开发具有集控制、监视和诊断功能于一身的过程监控系统己成为工厂综合自动化发展的迫切需要，具有重要的理论意义和广泛的应用价值。故障诊断就是监视控制系统进行故障检测与诊断，并对故障的原因、故障频率、故障的危害程度及趋势预测等内容进行分析判断，为确诊故障点、及早采取维修、防护等补救措施提供科学的决策依据。基于多元统计分析的故障诊断方法是故障诊断领域的一个重要研究分支。本文以多元统计分析为理论基础，系统和深入地研究了这一方法的若干重要方面，探讨现有方法在过程控制两类典型生产过程--连续生产和间歇生产中的实际应用及其存在的问题，并提出相应解决方案，主要研究内容和成果如下：1． 阐述了故障诊断的研究内容，各种方法的研究现状及发展趋势，特别对基于多元统计分析的故障诊断方法的发展和现状进行了较完整的综述；2． 介绍了基于多元统计分析的故障诊断方法的主要数学工具，包括主元分析(PCA)、主元回归(PCR)和部分最小二乘(PLS)，简单分析了它们在故障诊断中的应用特点，为应用打下理论基础。3． 概述和总结了基于主元分析的多变量控制系统故障监测与诊断系统设计思想，分析了主要统计量、控制图以及数据基本分析处理方法，并以一个连续生产过程模型为例，阐述了故障诊断模型的建立过程以及诊断结果分析。4． 分析了多向主元分析在间歇生产过程故障监测与诊断中的基本方法及动态时间错位算法在处理多批次数据同步问题中的应用，并在此基础上针对间歇过程的复杂非线性特点以及控制系统的实时监测要求，提出了差分多模型以及滑动模型的故障诊断建模方法。以一个间歇生产过程为例，介绍了这两个方法在诊断过程中的作用及特点。最后，对于故障诊断领域的各种研究方法作了简单的对比分析，并指出了基于多元统计分析的故障诊断方法的一些值得关注和加以深入研究的方面。
郑晓慧[2]2015年在《基于Fisher判别分析法的间歇过程故障检测与诊断研究》文中进行了进一步梳理随着现代过程工业不断向扩展化、集中化方向发展,工业过程越来越复杂,过程变量也随之增多,同时对工业过程的安全可靠性提出了更高的要求。因此工业过程中的故障检测与诊断技术已成为国内外过程控制领域研究的热点。本文旨在研究间歇过程中的故障检测与诊断方法。基于多元统计分析的故障检测与诊断方法不仅不需要依赖系统的数学模型,而且对高维、高强度耦合数据的处理具有一定的优势,所以已经成为解决故障检测与诊断问题的重要方法之一。因此,本文采用多元统计分析方法中的Fishe判别分析方法对间歇过程中的故障进行检测与诊断。本文以Fisher判别式分析(Fisher Discriminant Analysis,FDA)为基础,针对流程工业中的间歇生产过程,提出了一类基于FDA的故障诊断方法:主要研究内容如下:(1)提出了多模型FDA故障诊断方法。多向FDA方法在进行在线故障诊断时需要估计当前生产批次的未测量值,造成了较高的误诊断率。而本文提出的多模型FDA故障诊断方法是对每一个时刻建立一个模型,解决了对一个批次中未知数据估计的问题。通过青霉素发酵过程的仿真分析,多模型FDA方法在误诊断率上要低于多向FDA法。(2)提出了递推多模型FDA故障诊断方法。多模型FDA故障诊断方法在建立模型时如果遇到故障数据不足的问题,就会降低诊断性能。递推多模型FDA方法凭借递推的优势将有用的故障信息充分利用起来同时没有影响生产过程的动态特性。通过在青霉素发酵过程中叁种方法的对比,证明了该方法在故障识别方面要优于多模型FDA和多向FDA方法。(3)提出了窗口化多FDA模型故障诊断方法。多模型FDA方法在建立模型时,如果有一段样本数据缺失,则无法建立模型,从而不能进行故障诊断。窗口化多FDA模型故障诊断方法利用窗口化这一特点将现有样本数据和缺失样本数据集中成一个模型,避免了缺失样本数据无法建模的问题。在样本数据缺失的情况下进行青霉素发酵过程的仿真,验证了窗口化多FDA模型方法的有效性。通过上述研究表明,在间歇过程的故障检测与诊断中递推多模型FDA与窗口化多FDA模型方法都要优于多模型FDA方法,诊断正确率逐渐提高,可以应用到实际工业中。
牛征[3]2006年在《基于多元统计分析的火电厂控制系统故障诊断研究》文中指出随着自动控制技术的不断发展,火电厂控制系统的控制策略已日臻成熟,并形成了比较完善的体系。因此针对火电厂的控制理论应用研究正逐步向更高层次发展,其中一个重要研究方向就是火电厂控制系统的故障诊断。这是因为随着火电厂控制系统规模不断扩大和复杂性日益提高,控制系统故障点也随之增加并且更难以发现,这就对火电厂控制系统的可靠性、可维修性提出了更高的要求。传统的限幅报警和人工点检的方式显然已经满足不了要求,因此有必要研究火电厂控制系统的先进故障诊断技术。考虑到火电厂控制系统规模庞大结构复杂等特点,本文选用了一种不依赖数学模型的多元统计分析方法进行研究。使用了两个多元统计分析工具,即主元分析(PCA)和费舍尔判别分析(FDA),通过对过程数据的分析来实现对控制系统的故障诊断。其中着重使用PCA方法进行故障检测的研究,使用FDA方法进行故障分离和识别的研究,并将两种方法相互配合,构成完整的故障诊断系统。本文的主要工作包括以下几个方面:第一,分析了在火电厂控制系统故障诊断中应用多元统计方法的可行性和优越性。明确了基于多元统计分析的火电厂控制系统故障诊断的范围、对象和理论方法。第二,研究了火电厂控制系统在稳态条件下的PCA故障检测问题。着重分析了PCA故障检测的内涵,并给出了一个指导故障检测的结论。研究了PCA故障检测中的数据预处理问题,并结合实例给出了传感器和执行器的PCA故障检测方法。第叁,针对火电厂生产过程存在的变工况特性,提出一种动态多主元模型的故障检测方法。它通过对主元模型组的模糊推理动态得到与检测工况相匹配的主元模型,解决了主元模型的工况适应性问题,改善了变工况条件下的PCA故障检测效果。第四,研究了火电厂控制系统的故障分离问题,提出一种基于FDA贡献图的新型故障分离方法。它保持了贡献图法简单易行的优点,同时提高了故障分离的准确度。第五,将FDA与模式识别思想相结合来进行火电厂控制系统故障识别的研究,提出一种结合FDA的DTW故障识别方法。它使用FDA作为故障特征提取工具,使用DTW作为特征匹配工具,对系统的时变特性表现出良好的鲁棒性,并有着较高的故障分辨率和识别精度。在研究过程中,充分利用现场实际数据对论文中提出的各种故障诊断方法进行了大量的实验研究,通过实验验证了这些方法的可行性和有效性。相比较原来仅通过Matlab平台下搭建仿真模型来进行仿真实验而言,现在的实验方式无疑更具实际意义。
胡静[4]2015年在《基于多元统计分析的故障诊断与质量监测研究》文中提出故障诊断与质量监测是保障工业生产过程安全性与产品高质量的重要技术支撑。与传统依赖数学模型或专家经验的故障诊断方法相比,数据驱动的多变量统计过程监测技术因仅需要正常运行情况下的离线和在线数据、以较成熟的多元统计分析方法为主要手段、适合工业过程多变量高度相关的特点等,而越来越受到工程界和学术界的重视,并已逐渐成为故障诊断领域的重大需求和研究热点。尽管人们将多元统计分析方法用于故障诊断领域已有很长时间,但是大量工作都是围绕怎么突破限制条件,改进现有方法以更好地适应实际过程；而对于一些本质问题,如不同过程变量的重要性和检测敏感性不同、主元分析(PCA)子空间分解对故障诊断结果的影响、以及偏最小二乘(PLS)子空间分解的有效性等方面仍未得到彻底研究。本文在前人工作的基础上,深入研究了多变量统计过程监测技术的几个根本问题,并针对不同的应用实际,提出多种有效的故障检测、诊断与质量监测方法：1.基于过程变量对质量变量的贡献度、过程变量对T2／Q检测指标以及PCA统计模型的影响能力,对过程变量进行细分,并给出一种设计相对主元分析(RPCA)中比重因子的方法。提高了重要不敏感变量的相对重要性和相对敏感度；降低了不重要敏感变量的相对重要性和相对敏感度；有助于提高重要变量的故障检测效果,进而改善质量预测性能。2.阐述了PCA子空间分解对故障检测能力的影响,在此基础上,建立一种基于特征值和特征向量元素划分子空间的原则。对残差子空间进行细分,提出一种基于PCA的多空间检测方法,提高了故障在残差子空间中的显着性,进而提高了微小故障的检测效果。进一步地,仅仅基于正常运行过程的历史数据,利用过程变量对潜变量的不同贡献度,建立一种基于PCA的多空间诊断方法,一定程度上实现了同时对微小故障的检测和诊断。3.针对具有时序特性的间歇过程,提出一种基于信息增量的模态划分和过程监测方法,有效改善了传统模态划分方法的不足,减弱了多PCA模型方法对于样本服从正态分布且模型不变的限制；针对具有无序模态且频繁切换的多模态过程,提出一种实时的联合故障检测方法,解决了“量体裁衣”的多模型方法常因难以即时地在线辨识模态导致难以即时地切换监测模型并采取适当方法进行监测的问题,进一步完善了多模态过程实时监测方法。4.面向质量相关的过程监测问题,在分析PLS子空间分解的有效性的基础上,建立了两种直接的潜空间投影方法。针对质量变量的主要变化由过程变量引起的情况,在对质量变量进行PCA分解的基础上,生成质量潜变量空间从而引导过程变量的分解;针对质量变量的部分变化由过程变量引起的情况,利用系统辨识方法求取质量预测值,对质量预测值进行PCA分解,并将其推广至非线性过程监测中。新方法不仅模型简单、计算代价较小而且取得了较好的效果。5.针对一类连续时间非均匀采样系统的故障检测问题,结合子空间辨识和等价空间技术,提出了一种仅基于输入输出数据直接设计残差产生器的方法,并用于故障检测,能够同时实现快速率残差产生和相应等价矩阵的降维。该方法不用辨识系统模型,在简化了设计过程的同时降低了计算量,也是对数据驱动故障诊断技术结合基于模型故障诊断技术方面进行了有益的探索和推动。论文利用数值仿真、田纳西东人过程(TEP)案例研究或青霉素发酵过程验证了所提出方法的有效性。最后,总结了本文的主要研究内容,并提出了作者所认为的本领域中亟待研究的若干挑战性课题。
王静媛[5]2010年在《基于多元统计过程控制的空分过程故障诊断》文中指出随着科学技术的进步,空分工业得到了蓬勃发展,空分装置日益趋于大型化和复杂化,对于节能和安全的要求成为空分生产的关键。故障诊断对于降低生产事故、提高生产绩效、减少经济损失、增强企业竞争力等都具有重要的意义,是现代企业(包括空分企业)生产管理的重要组成部分。为空分系统建立故障诊断系统,能够有效利用空分生产过程的数据信息,及时检测故障的发生情况,更深层的分析故障原因,快速进行故障定位,提高空分生产的稳定性和高效性。多元统计过程控制是一种对存在多个相关变量的生产过程进行监控、分析、控制的方法与技术。通过对这些生产过程数据进行统计分析,多元统计过程控制可以密切监督生产过程的运行状态,不断检测过程的变化和故障信息,对故障及时作出鉴别和分析,并可分析潜在的故障趋势,在一定程度上做出故障预报。因此,基于多元统计过程控制的故障诊断技术有着重要的实用价值,已成为研究的热点。本文以多元统计过程控制为理论基础,研究了故障诊断技术的重要方面,结合空分生产过程的特点,建立了基于多元统计过程控制的空分故障诊断系统,并在实际应用中取得良好效果。本文的主要研究内容和成果包括:1.对故障诊断技术和多元统计过程控制方法做了概括性介绍,概述了相关的基本概念、方法以及发展现状,同时介绍了空分过程故障诊断的研究现状,指出了本文的研究意义和研究方法。2.通过对空分生产过程的分析和对多元统计过程控制的应用要求的研究,对应用多元统计过程控制进行空分过程故障诊断进行了必要性和可行性分析,提出了该方案的总体设计。3.介绍了主元分析和多元统计控制图的概念和方法,结合空分过程的故障诊断特点,建立了基于主元分析的空分过程故障诊断模型。在建模过程中重点介绍了从原始工业数据到建模数据的数据处理过程。对该模型的诊断结果做了分析,对存在的问题提出了改进方案。4.介绍了动态主元分析方法,重点介绍了时滞长度的确定方法,提出了根据模型评价指标确定时滞长度的方法。结合空分过程的动态特性,建立了基于动态主元分析的空分过程故障诊断模型。对该模型的诊断结果做了分析,验证了该模型的准确性。同时,进一步探讨了分析方法的改进方案,提出了优化时滞配置的动态主元分析方法。5.介绍了某钢铁集团空分公司空分故障诊断系统的系统设计和运行效果,重点介绍了了该故障诊断系统界面丰富的信息量和生动的动态显示效果,通过该空分故障诊断系统实际的运行效果证明了本文研究的有效性。最后,在总结全文的基础上讨论了相关研究的发展前景。
周成[6]2015年在《基于递归图的工业过程异常监测和故障诊断研究》文中指出随着信息技术的发展,工业生产规模越来越大,生产过程也越来越复杂,对生产过程的有效监测和故障诊断受到越来越多的重视。能够及时、准确的发现生产过程中存在的异常和故障,并找出异常原因,既可以有效预测产品的质量,减少废品率,同时可以掌握设备的运行状态,降低设备的损伤,避免发生严重的生产事故。传统的过程监控和故障诊断方法,多基于机理模型或者数学模型。但在复杂的工业生产过程中,生产过程变量众多且相关性大、工序复杂、不确定性大,很难获取准确的机理模型或者数学模型。随着生产过程自动化程度的提高,海量的生产过程数据被采集,这些数据包含有丰富的生产过程信息,真实的记录和反应了实际生产过程的状态。如何从海量的生产过程数据中,提取出有用的信息,满足生产过程性能监测、故障诊断的需求,成为重要的研究课题。工业生产过程中,经常采集振动、温度、压力、电压、电流等过程数据,这类数据均属于非线性信号。递归图法可以将低维的非线性信号映射到高维的相空间,在高维相空间根据信号间的相关性,建立递归矩阵,表征信号的特征。该方法无需了解待分析信号的分布信息,对待分析信号的长度、稳定性等也无特别要求,适用于分析复杂系统的非线性信号。目前递归图法已经广泛用于物理、天文、生物等领域,但是在工业生产过程监控和故障诊断领域,鲜有研究。本论文引入递归图法,分析实际工业生产过程中的数据,结合统计质量控制理论,提出了多种工业生产过程异常监测和故障诊断算法。本论文的主要研究内容包括：(1)提出了基于递归定量分析的连续冲压过程异常监测算法,分析了冲压力信号与其对应的递归图之间的关系,提取出多种递归定量特征,有效解决了连续冲压过程“弱操作”工位的故障检测问题。对比已有的基于PCA的故障监测算法,本论文所提出的方法,在检测“弱操作”工位故障时,故障识别率从79%提高到91%。同时,针对递归图法阈值参数估计问题,提出了基于数据驱动的递归图阈值参数估计算法,最大程度的利用连续冲压过程数据的信息,寻找出最优的阈值参数。该阈值参数估计算法可以作为递归图阈值参数估计的普遍指导算法,能有效的应用于各种其他工业过程。(2)结合统计质量控制理论,提出了基于多元递归T2控制图的工业过程设备故障检测算法。该算法充分利用了递归图不同递归特征量所包含的信息,构建了一个新的多元递归T2统计量,并建立多元递归T2控制图。该算法成功的应用于仿真信号分析和实际轴承故障识别。由于多元递归T2统计量不满足高斯分布,传统控制图参数估计算法已不适用,本文提出了基于穷举法(Bootstrap)的多元递归T2控制图参数估计算法,估计控制界限。(3)为了有效表征不同递归图之间的相关性,提出了基准递归图和关联递归图的概念,关联递归图中元素值的大小直接反应了生产过程的状态。基于关联递归图的独特性质,提出了基于关联递归图的工业过程异常监测和故障诊断算法,该算法可以在生产过程故障信息未知时,自动检测出生产过程的异常,并判断出生产过程异常发生在什么时间以及发生在哪个环节。通过对仿真信号和连续冲压过程实际数据的分析,验证了该算法的有效性。
唐凯[7]2004年在《基于多元统计过程控制的故障诊断技术》文中进行了进一步梳理现代工业过程自动化控制正朝着大型化、复杂化的方向发展，生产系统和设备一旦发生故障，不仅排除的时间增长，而且将造成巨大的经济损失，甚至造成人员伤亡和环境污染。人们迫切需要提高系统的可靠性和安全性，以避免事故发生甚至系统崩溃造成的巨大经济损失。研究和开发具有集控制、监视和诊断功能于一身的过程监控系统已成为工厂综合自动化发展的迫切需要，具有重要的理论意义和广泛的应用价值。 基于多元统计过程控制的故障诊断方法是故障诊断领域的一个重要研究分支，本论文以多元统计理论为基础，研究了故障诊断技术的若干重要方面，提出了一种从统计学角度分析故障源的新方法。本论文的主要研究工作包括以下几个方面的内容： 1．对目前故障诊断的研究内容、各种方法的分类作了概述。指出了基于多元统计过程控制的故障诊断方法具有不需要精确建模、受工业变量间强耦合关系影响小等优点，并概述了其现状及发展趋势。介绍了统计故障诊断的基本数学工具：主元分析法和部分最小二乘法，以及它们的一些扩展：多向主元法、主元回归及多块部分最小二乘法等方法。 2．介绍了多元统计过程控制在故障诊断中常用的统计量及统计控制图，分析了基于主元分析的多变量控制系统故障监测与诊断的设计思想，并将其应用于PTA氧化过程仿真监控。指出了多元统计过程控制在故障识别上能力的不足。 3．为了提高多元统计过程控制的故障识别能力，提出了一种基于多元统计过程控制的识别故障源的新方法。通过求出故障采样点上各工业变量导致采样点异常的概率，并结合工业过程的特点，可以有效地找出故障源。 最后在总结全文的基础上讨论了相关研究的发展前景。
郑望[8]2008年在《多变量统计过程监控》文中提出传统的统计过程监控是基于单变量统计控制方法。单变量统计控制只能检测单一测量变量的变化,而不能有效地提供关于多个变量相互作用的信息。另外,单变量统计过程控制也不适用于间歇过程。多变量统计过程监控通过对过程进行有效地监控,能及早发现过程中的故障隐患,从而提高过程运行的安全性。本文对多尺度主元分析进行了一种改进,并将其分别应用于连续生产过程和间歇生产过程之中。完成的具体工作如下:1过程数据的预处理(滤波)部分在小波分析的基础上,借助Matlab语言中小波工具箱的基本算法,详细讨论了基于阈值决策的小波消噪方法及其应用。在此基础上,实现小波滤波在线化,并应用于仿真信号之中。2 MSPCA及MSPCA改进算法在连续生产过程之中的应用和比较MSPCA方法在生产过程监控方面有着广泛地应用。本文在研究该方法的基础之上,提出了一些改进,在其进行小波分解后即对其小波系数进行阈值处理,使小波消噪与MSPCA方法合为一体,并运用统计控制图中的平方预测误差(SPE)图方法检测引起过程变化或故障的过程变量。在保证其MSPCA算法复杂度不变的前提下,能够消除数据的噪声污染,使故障诊断的误报大为减少。3 MPCA方法在间歇生产过程中的应用多向主元分析方法在间歇过程中应用广泛,既简化了多维数据结构的分析,同时又解决了间歇过程统计控制的特殊性问题。本文将多尺度主元分析方法与多向主元分析方法相结合,并应用于间歇生产过程之中。4多模型PCA方法在间歇生产过程中的应用当生产过程历经几个不同的阶段时,并且每个阶段变量之间的关系不同时,多变量统计置信界限将不再适合所有的阶段。这样会导致故障数据被误认为正常,使监测系统的漏报率提高。此时,就要针对每一个不同的阶段建立模型。本文中首先利用聚类方法中的K均值方法对样本按照不同阶段进行聚类分析,然后对分类后的样本进行主元分析,并和单一主元分析进行了比较。
刘强[9]2012年在《数据驱动与机理分析相结合的冷轧连退过程故障诊断方法研究》文中研究表明冷轧连续退火过程(简称连退过程)是冷轧的关键工序,由开卷机、焊机、入口活套、炉区、出口活套、平整机和卷取机等设备组成。用于对冷轧带钢再结晶退火,以改善其微观组织、提高塑性和成形性,得到镀锡／镀锌原板。为使带钢高速稳定通过炉区以获得高品质的产品,连退过程要求将运行在炉区段的上千米带钢的张力控制在生产工艺所规定的目标值范围内。为此,将整个炉区上百个传动辊划分十余段构成十余段的张力回路,通过调节各传动辊的速度、电流使张力控制在生产工艺规定的范围内。然而,原材料缺陷、传动辊表面磨损、传动辊轴承断裂等会造成张力波动。当张力波动在工艺规定的范围之外时发生张力异常工况,会造成带钢表面褶皱、瓢曲等产品质量问题；张力过大发生断带,造成过程长时间非计划停机；张力过小发生传动辊与带钢间打滑,会造成带钢表面划痕缺陷的产品质量问题。因此,研究连退过程张力故障诊断对过程安全运行和健康维护具有重要的实际意义,对故障诊断领域的研究有着重要的学术意义。本文以大型连退过程为背景,进行数据驱动与机理分析相结合的故障诊断方法研究,取得了如下成果：(1)结合连退过程特点,建立了连退过程的张力模型。该张力模型中惯量参数不仅与传动辊惯量和电机惯量相关,还与带钢惯量有关：带钢在加热后因热胀冷缩引起张力变化,张力模型中的摩擦项不仅与轴承摩擦相关还与气氛流动相关。经分析,张力变化项和摩擦项难以采用精确数学模型描述。为此,本文提出了由基于观测器的主模型和基于主元回归神经网络的误差补偿模型组成的张力估计方法。在此基础上,提出张力估计与规则推理相结合的张力异常工况诊断方法。(2)针对两层主元分析故障诊断方法无法分析故障对于具有整段、块和子块叁层结构的大规模串联加工过程中各子块的影响,提出了叁层主元分析故障诊断方法。理论分析了叁层主元分析与主元分析(Principal Component Analysis, PCA)和两层主元分析的得分、残差间的等价关系,结果表明叁层主元分析算法在特定归一化准则下与PCA等价。因其不是对两层主元分析的块负荷以随机方式划分子块,对故障解释能力更强。结合连退过程对整段张力分整段、张力回路块、辊子子块叁层结构,利用正常数据和断带数据,采用所提的叁层主元分析方法进行连退过程断带特性分析。首先,给出连退过程整段统计指标、张力回路块统计指标和辊子子块统计指标,并利用正常工况采集的速度和电流数据由阈值计算公式求得统计指标阂值；接下来,利用断带数据求得断带故障的整段统计指标、张力回路块统计指标和辊子子块统计指标,得到断带故障的块统计指标叁维图和子块统计指标叁维图；通过分析，得到断带前块统计指标相邻两次超限时间间隔等于带钢在相邻两辊间的传输时间、断带后块指标远高于正常阈值、可达其十余倍的断带特性。(3)针对单维变量重构能诊断故障变量,但不能诊断多个变量构成的过程故障,将单维变量重构推广为多维分块重构,提出了多维分块重构故障诊断方法,理论分析了多维分块重构的可重构与可诊断条件。采用该方法,提出主元分析与多维分块重构相结合的连退过程张力回路块故障诊断方法。在此基础上,提出断带特性与有限状态机相结合的断带诊断方法和基于单维变量重构的断带位置诊断方法。在张力回路块故障诊断的基础上,提出基于块指标重构的打滑诊断方法和基于块指标重构的打滑位置诊断方法。(4)结合具有133个传动辊的某大型钢铁企业的实际连退过程,采用现场数据对本文所提出的方法进行实验研究。研究结果表明所提方法不仅成功诊断出张力异常工况和断带、打滑故障,而且诊断出断带位置和打滑位置。
石怀涛[10]2012年在《基于多元统计分析的轧钢过程故障诊断与质量预报研究》文中提出在轧钢过程中,有效的故障诊断和质量预报是保证生产安全、提高产品质量和增加经济效益的关键。然而对于复杂的轧钢过程来说,准确的数学解析模型往往很难得到,这在一定程度上限制了基于数学解析模型的故障诊断和质量预报方法的深入研究和应用。考虑到轧钢过程结构复杂、数据量大,并且过程变量数据具有非线性、动态性和非高斯分布等特点,本文基于多元统计分析理论,研究了适用于轧钢过程的故障诊断和质量预报方法。该方法是一种基于数据驱动的方法,它不依赖数学模型,通过对测量数据进行分析和解释,提取过程信息特征,判断过程的运行状态,从而诊断过程中发生的故障,并预报产品的质量。本文从实际出发,全面考虑多元统计方法在轧钢过程应用时需要解决的问题,针对轧钢过程特性,提出一套适用于轧钢过程的故障诊断和质量预报方法。本文的主要工作和贡献有以下几个方面：(1)提出了一种基于马氏距离相对变换偏最小二乘的轧钢过程状态监测方法。通过引入相对变换理论,计算采样数据之间的马氏距离,将原始空间数据变换到相对空间；然后在相对空间进行偏最小二乘分解,提取有代表性的潜变量,建立状态监测模型,从而实现采样数据的在线监测。理论分析和仿真实验均表明,基于马氏距离相对变换偏最小二乘的状态监测方法能有效地消除量纲的影响,有效地降低潜变量的数目,提取更具代表性的隐变量,增加状态监测的准确率和实时性。(2)考虑到轧钢过程的动态、非线性以及非高斯分布特性,提出了一种基于改进动态核主元分析结合独立元分析的状态监测和故障分离方法。首先构造增广矩阵,并将增广矩阵分成一系列子矩阵,其次对每个子矩阵进行核主元分析,提取非线性互相关特征主元,然后将各子矩阵的特征主元重新构建一个新的数据增广矩阵,最后建立独立元统计模型,提取非高斯自相关独立元,从而有效地实现轧钢过程的状态监测。在此基础上,利用非线性独立元构造贡献图进行故障分离,它保持了贡献图法简单易行的优点,同时提高了故障分离的精度。(3)提出了一种基于优化策略的核费舍尔判别分析的轧钢过程状态监测和故障识别方法。该方法采用改进生物地理学优化算法同时优化核函数参数和选取特征样本,得到最优核参数和特征样本,然后将得到的最优核参数和特征样本进行核费舍尔判别分析统计建模,实现状态监测和故障识别,从而提高核矩阵的计算效率、在线监测和识别的精率。(4)提出了一种基于非线性特征提取和回归的故障诊断和质量预报方法。该方法首先用核偏最小二乘提取过程数据的非线性特征,并建立核偏最小二乘的内部回归模型；然后根据提取的非线性特征,求出满足最大分离度的费舍尔特征向量,建立费舍尔统计模型,对采样数据进行状态监测。若轧钢过程状态正常,根据核偏最小二乘回归模型预报产品的质量；否则利用相似度系数确定故障类型。在研究过程中,充分利用轧钢过程现场实际数据对论文中提出的各种故障诊断和质量预报方法进行了大量的实验研究,通过实验验证了本文所提出方法的可行性和有效性。
参考文献：
[1]. 基于多元统计分析的生产过程故障诊断研究[D]. 陈勇. 浙江大学. 2003
[2]. 基于Fisher判别分析法的间歇过程故障检测与诊断研究[D]. 郑晓慧. 河北工业大学. 2015
[3]. 基于多元统计分析的火电厂控制系统故障诊断研究[D]. 牛征. 华北电力大学（河北）. 2006
[4]. 基于多元统计分析的故障诊断与质量监测研究[D]. 胡静. 浙江大学. 2015
[5]. 基于多元统计过程控制的空分过程故障诊断[D]. 王静媛. 浙江大学. 2010
[6]. 基于递归图的工业过程异常监测和故障诊断研究[D]. 周成. 北京科技大学. 2015
[7]. 基于多元统计过程控制的故障诊断技术[D]. 唐凯. 浙江大学. 2004
[8]. 多变量统计过程监控[D]. 郑望. 北京化工大学. 2008
[9]. 数据驱动与机理分析相结合的冷轧连退过程故障诊断方法研究[D]. 刘强. 东北大学. 2012
[10]. 基于多元统计分析的轧钢过程故障诊断与质量预报研究[D]. 石怀涛. 东北大学. 2012