基于数据的流程工业故障诊断方法研究

第1章 绪论 1

1.1 概述 1

1.1.1 流程工业故障诊断研究意义 1

1.1.2 故障诊断的任务 2

1.1.3 故障诊断的实现过程 3

1.1.4 故障诊断方法分类 4

1.2 基于解析模型的方法 4

1.3 基于历史数据的方法 6

1.3.1 基于信号处理的方法 6

1.3.2 多元统计方法 7

1.3.3 神经网络和专家系统 8

1.3.4 基于数据的方法与模式识别方法的关系 8

1.4 流程工业故障诊断研究进展 9

1.4.1 多元统计方法 10

1.4.2 基于神经网络的方法 11

1.5 本书内容安排 14

参考文献 16

第2章 流程工业故障检测与诊断的多元统计方法 22

2.1 引言 22

2.2 多元统计方法 22

2.2.1 主元分析法 22

2.2.2 Fisher判据分析法 25

2.2.3 部分最小二乘法 27

2.2.4 典型相关分析 29

2.2.5 独立元分析法 31

2.2.6 几种多元统计方法在瑞利商下的统一 32

2.3 故障的检测和辨识 33

2.3.1 基于T2和Q统计量的故障检测 33

2.3.2 基于I2统计量的故障检测 35

2.3.3 基于Bayes分类器的故障辨识 36

2.4 仿真算例 37

2.4.1 仿真数据介绍 37

2.4.2 故障检测和诊断步骤 40

2.5 小结 41

参考文献 42

第3章 基于LGSPP的故障检测与辨识 44

3.1 引言 44

3.2 LGSPP算法 44

3.2.1 LPP算法描述 44

3.2.2 LGSPP算法描述 45

3.3 基于LGSPP的故障检测与辨识 45

3.3.1 T2和SPE统计量构造 45

3.3.2 基于Bayes分类器的故障检测与辨识 46

3.4 基于DLGSPP的故障检测 49

3.4.1 DLGSPP的基本原理 49

3.4.2 基于DLGSPP的故障检测 49

3.5 仿真研究 50

3.5.1 基于LGSPP的故障检测仿真研究 50

3.5.2 基于DLGSPP的故障检测仿真研究 54

3.6 小结 56

参考文献 56

第4章 基于LNS-LGSPP的多模态过程故障检测 58

4.1 引言 58

4.2 局部近邻标准化策略 58

4.2.1 z-score标准化法 58

4.2.2 局部近邻标准化处理 61

4.2.3 局部近邻标准化分析 62

4.3 基于LNS-LGSPP算法的故障检测 63

4.4 仿真分析 64

4.4.1 数值仿真 65

4.4.2 TE过程 71

4.5 小结 74

参考文献 75

第5章 基于DKPCA及其改进算法的故障检测研究 76

5.1 引言 76

5.2 KPCA原理 76

5.3 基于DKPCA的故障检测 78

5.3.1 动态数据矩阵 78

5.3.2 核函数及核参的选取 78

5.3.3 基于DKPCA的故障检测步骤 80

5.4 基于EFS-DKPCA的故障检测 81

5.4.1 正交基的构造 81

5.4.2 输入空间到特征子空间的映射 82

5.4.3 基于EFS-DKPCA的故障检测步骤 83

5.5 仿真研究 83

5.5.1 基于DKPCA的故障检测仿真分析 84

5.5.2 基于EFS-DKPCA的故障检测仿真分析 87

5.6 小结 90

参考文献 90

第6章 基于BDKPCA及其改进算法的故障检测研究 92

6.1 引言 92

6.2 基于BDKPCA的故障检测 92

6.2.1 移动时间窗 92

6.2.2 BDKPCA基本原理 93

6.2.3 基于BDKPCA的故障检测步骤 93

6.3 基于小波去噪与EFS-BDKPCA的故障检测 94

6.3.1 小波去噪简介 94

6.3.2 基于小波去噪与EFS-BDKPCA的故障检测步骤 96

6.4 仿真研究 96

6.4.1 基于BDKPCA的故障检测仿真分析 97

6.4.2 基于小波与EFS-BDKPCA的故障检测仿真分析 97

6.5 小结 102

参考文献 102

第7章 学习矢量量化神经网络 103

7.1 引言 103

7.2 神经网络简介 103

7.2.1 人工神经元模型 103

7.2.2 多层前馈神经网络模型 104

7.3 LVQ神经网络 105

7.3.1 LVQ神经网络结构 105

7.3.2 LVQ神经网络实现规则 106

7.4 PCA-LVQ神经网络 107

7.4.1 基于PCA-LVQ的故障检测仿真分析 108

7.4.2 基于PCA-LVQ的故障诊断仿真分析 111

7.5 小结 112

参考文献 112

第8章 基于IIWPSO-PNN的故障诊断 113

8.1 引言 113

8.2 PNN简介 113

8.2.1 模式识别Bayes判决理论 113

8.2.2 PNN网络结构 114

8.2.3 PNN算法 115

8.3 IIWPSO算法 118

8.3.1 PSO的基本形式 118

8.3.2 PSO控制参数 119

8.3.3 IIWPSO算法 120

8.4 IIWPSO-PNN训练过程 121

8.5 仿真分析 123

8.5.1 数值仿真 123

8.5.2 基于IIWPSO-PNN的故障检测仿真分析 125

8.5.3 基于IIWPSO-PNN的故障诊断仿真分析 128

8.6 小结 129

参考文献 129

第9章 基于神经网络集成的故障诊断 131

9.1 引言 131

9.2 集成神经网络 131

9.2.1 神经网络集成的机理研究 131

9.2.2 个体生成方式研究 133

9.2.3 结论生成方式研究 134

9.3 IIWPSO-PNN集成算法 135

9.4 仿真分析 136

9.4.1 UCI标准机器学习库 136

9.4.2 基于IIWPSO-PNN集成的故障检测仿真分析 136

9.4.3 基于IIWPSO-PNN集成的故障诊断仿真分析 138

9.5 小结 139

参考文献 139

第1 0章 流程工业数据建模方法与大数据建模 140

10.1 引言 140

10.2 大数据概述 140

10.2.1 大数据的定义 140

10.2.2 我国的大数据发展 141

10.2.3 大数据的研究意义 142

10.2.4 大数据发展趋势 143

10.3 大数据的特点与研究领域 145

10.3.1 大数据的特点从3V到6V大数据定义演变 145

10.3.2 大数据的研究领域 146

10.3.3 流程工业大数据的特点 147

10.4 数据建模方法 149

10.4.1 流程工业数据建模方法 149

10.4.2 互联网公司大数据建模方法 149

10.4.3 流程工业大数据建模 150

10.5 流程工业大数据的挑战和机遇 150

10.5.1 流程工业大数据特点给传统数据建模方法带来的挑战 150

10.5.2 计算机学科大数据最新进展带来的机遇 151

10.6 流程工业大数据建模最新进展与研究展望 151

10.6.1 多层面潜结构建模 151

10.6.2 多时空时间序列数据建模 152

10.6.3 含有不真实数据的鲁棒建模 153

10.6.4 支持实时建模的大容量数据计算架构与方法 154

10.7 结论 154

参考文献 155