資源描述：
《探究基于多尺度主元分析的丙烯聚合過(guò)程故障診斷研究》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、淵II'12l'19hl=18l'17qll2⑧0工工謄女碩士學(xué)位論文論文題目：基王墨盡鏖圭五僉塹盟西蜢墨盒顯攫墊瞳盜塹塹宜作者姓名壟圭堡指導(dǎo)教師鱟盤(pán)垂蒸蕉學(xué)科專(zhuān)業(yè)垡芏三蕉所在學(xué)院垡堂蘭星當(dāng)鹽盤(pán)生瞳浙江工業(yè)大學(xué)碩士學(xué)位論文基于多尺度主元分析的丙烯聚合過(guò)程故障診斷研究摘要針對(duì)丙烯聚合過(guò)程的特點(diǎn)，本文提出了一種改進(jìn)多尺度主元分析方法．該方法以小波分析和主元分析的基本理論為基礎(chǔ)，將主元分析去線(xiàn)性變量相關(guān)性的能力和小波變換提取變量局部特征和近似分解變量自相關(guān)性的能力綜合起來(lái)應(yīng)用于故障檢測(cè)，具體研究工作如
2、下：針對(duì)傳統(tǒng)主元分析在處理含噪數(shù)據(jù)時(shí)的不足，提出了一種將小波變換、小波閾值去噪和主元分析結(jié)合的方法。首先利用小波閾值去噪對(duì)原始數(shù)據(jù)預(yù)處理，去除噪聲和異常點(diǎn)；然后應(yīng)用小波多尺度分解將每個(gè)變量依次分解成逼近系數(shù)和多個(gè)尺度的細(xì)節(jié)系數(shù)，把各個(gè)尺度的系數(shù)聚集在單獨(dú)矩陣中，在各個(gè)尺度矩陣建立相應(yīng)的PCA模型，以模型統(tǒng)計(jì)量控制限為閾值，對(duì)小波系數(shù)重構(gòu)，得到綜合尺度矩陣，利用綜合尺度PCA模型進(jìn)行故障檢測(cè)，將此方法運(yùn)用于一個(gè)典型算例中，取得了較好的故障檢測(cè)效果，證實(shí)了該方法的有效性和可行性。最后將改進(jìn)MSPCA
3、方法應(yīng)用于聚丙烯環(huán)管聚合過(guò)程。應(yīng)用結(jié)果表明，改進(jìn)方法能夠及時(shí)檢測(cè)到過(guò)程異常情況，并準(zhǔn)確診斷到故障發(fā)生的原因。與傳統(tǒng)的PCA、MSPCA相比，改進(jìn)MSPCA減少了誤報(bào)率和漏報(bào)率，提高了故障診斷的準(zhǔn)確性。關(guān)鍵詞：主元分析，多尺度，小波變換，故障診斷浙江工業(yè)大學(xué)碩士學(xué)位論文FAIⅡ，TD隊(duì)GNOSISFORINDUSTRIAI，PROPYLENEPOL姍RIZATIONBASEDONMSPCAABSTRACTInthelightofspecialcharacteristicsofindustrialp
4、ropylenepolymerization，weraisesanimprovedmulti—scaleprincipalcomponentanalysismethodisproposed．Basedonthetheoryofwaveletandprincipalcomponentanalysis，multi-scaleprincipalcomponentanalysisisintroducedwhichcombinestheabilityofPCAtodecorrelatethevariabl
5、esbyextractingalinearrelationship，withthatofwaveletanalysistoextractdeterministicfeaturesandapproximatelydecorrelateautocorrelatedmeasurements．Mainresearchworkandcontributionofthisdissertationareasfollowing：WhenapplyingconventionalPCAtofaultdetection
6、，itwouldleadtofalse—alarmofthesystemduetothemeasureddatacorruptedwithnoiseandoutliers．T0overcomethe1imitationsofconventionalPCA浙江工業(yè)大學(xué)碩士學(xué)位論文handlingthedatacorruptedwithnoiseandoutliers，anapproachisdevelopedbycombiningthewaveletstransform，waveletthresh
7、oldde-noisingandPCA．Thismethodutilizestheadvantageofwaveletstransformandwaveletthresholdde-noisingtopreprocessthedatetoeliminatenoiseandoutliers．Usingwavelettransforms，theindividualvariablesignalsaredecomposedintoapproximationsanddetailsatdifferentsc
8、ales．Coefficientsfromeachscalearecollectedinseparatematrices，andaPCAmodeliSthenconstructedtoextractcorrelationateachscale，andaPCAmodelisthenconstructedtoextractcorrelationateachscale．Atlast，thismethodisappliedtofaultdetectionandhasagoodeffectwhichpro
