資源描述：
《基于PCA及其擴(kuò)展方法的過(guò)程監(jiān)控技術(shù)研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、沈陽(yáng)理工大學(xué)碩士學(xué)位論文摘要工業(yè)生產(chǎn)的過(guò)程監(jiān)控一直是流程工業(yè)系統(tǒng)關(guān)注的主要問(wèn)題之一。它通過(guò)監(jiān)測(cè)生產(chǎn)過(guò)程的運(yùn)行狀態(tài)，及時(shí)檢測(cè)故障發(fā)生、過(guò)程干擾以及其它的異常工況，定位并診斷引發(fā)故障的原因變量，從而保證生產(chǎn)過(guò)程安全運(yùn)行，提高產(chǎn)品質(zhì)量和生產(chǎn)效率。目前，隨著分布式工業(yè)控制計(jì)算機(jī)系統(tǒng)O)cs)和各種智能化儀表、控制設(shè)備在工業(yè)過(guò)程中的廣泛應(yīng)用，大量的過(guò)程數(shù)據(jù)被及時(shí)采集和存儲(chǔ)，如何充分利用這些數(shù)據(jù)的深層次信息，提高過(guò)程監(jiān)控能力，正是現(xiàn)今過(guò)程監(jiān)控領(lǐng)域亟待解決的問(wèn)題，這也就促進(jìn)了統(tǒng)計(jì)過(guò)程監(jiān)控技術(shù)的研究與發(fā)展。l本文主要著重于過(guò)程監(jiān)控中的多變量統(tǒng)計(jì)過(guò)程監(jiān)控這一方面的研究，在研究了統(tǒng)計(jì)過(guò)程監(jiān)控現(xiàn)狀及
2、發(fā)展趨勢(shì)的基礎(chǔ)之上，以主元分析(PrincipleComponentAnalysis，PCA)為主線，化工過(guò)程為背景，針對(duì)PCA、動(dòng)態(tài)PCA(DynamicPrincipleComponentAnalysis，DPCA)、多尺度PCA(MultiscalePrincipleComponentAnalysis，MSPCA)I拘不足，本文提出了一種新的基于多尺度動(dòng)態(tài)PCA(Multisc．nleDynamicPrincipleComponentAnalysis，MSDPCA)的統(tǒng)計(jì)過(guò)程監(jiān)控改進(jìn)算法。本方法通過(guò)對(duì)滯后系數(shù)的計(jì)算將測(cè)量數(shù)據(jù)矩陣推廣到增廣數(shù)據(jù)矩陣，再利用小波的多尺度特性對(duì)
3、測(cè)量變量增廣后的矩陣進(jìn)行多尺度分析，這樣可同時(shí)解決測(cè)量變量既帶有時(shí)序自相關(guān)性又存在多尺度特性的情況。并將所提出的基于MSDPCA的監(jiān)控方法應(yīng)用于數(shù)值仿真研究和TE過(guò)程仿真研究，大量監(jiān)測(cè)結(jié)果表明了基于MSDPCA的監(jiān)控方法的可行性和有效性，在故障發(fā)生時(shí)，能準(zhǔn)確的、及時(shí)的監(jiān)測(cè)到故障發(fā)生的時(shí)刻，并有效的降低了誤報(bào)警，較好的監(jiān)控系統(tǒng)的運(yùn)行，更進(jìn)一步擴(kuò)展了傳統(tǒng)PCA監(jiān)控方法的應(yīng)用場(chǎng)合。關(guān)鍵詞：過(guò)程監(jiān)控；主元分析；動(dòng)態(tài)主元分析；多尺度主元分析；多尺度動(dòng)態(tài)主元分析沈陽(yáng)理工大學(xué)碩士學(xué)位論文AbstractTheprocessmonitoringisoneofthemostimportantpr
4、oblemsintheprocessindustry．Themonitoringsystemcarldetectthefaultsandotherabnormaleventspromptlythroughmonitoringthestateoftheprocess．Thevariablewhichcausesthefaultalsocouldbedetectedandpitched．Theproductionprocesswillbesafeandthequalityoftheproductwillbeimproved．With麗deapplicationofDistribut
5、edControlSystem(ocs)，variousintelligentinstrumentsandcontrolequipmentsintheindustry,agreatamountofprocessdatacanbesampledandcollected．Howtofullyutilizethisdeep-levelinformationtoimprovetheperformanceoftheprocessmonitoringhasbeentheissuetobeaddressedinthefieldofprocessmonitoring，andhaspromote
6、dtheresearchthestatisticalprocessmonitoring．Thisthesisfocusesonmultivariatestatisticalprocessmonitoringoftheprocessmonitoring．Onthebasisofstudyingthepresentsituationanddevelopingtrendsofthestatisticalprocessmonitoringinthedomesticandinternationalfield，andinviewofthedeficienciesofthePrincipal
7、ComponentAnalysis(PCA)，DynamicPrincipalComponentAnalysis(DPCA)andMultiscalePrincipalComponentAnalysis(MSPCA)，WeproposeanewimprovedMultiscaleDynamicPrincipalComponentAnalysis(MSDPCA)processmonitoringalgorithmwhichviewsthePCAasthemainlineandthechemic
