分類號：分類號：TP277 編號：BY15612213/14/212-1002分類號：分類號：TP277 編號：BY15612213/14/212-1002沈陽化工大學(xué)本科畢業(yè)論文題 目：基于統(tǒng)計特征的不等長間歇過程故障診斷研究院系：信息工程學(xué)院班級：學(xué)生姓名:指導(dǎo)教師:論文提交日期：2014年6月23日論文答辯日期：2014年6月25日論文獨創(chuàng)性聲明本人鄭重聲明：此處所提交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下，在沈陽化工大學(xué)本科畢業(yè)環(huán)節(jié)獨立進行研究工作所取得的成果。據(jù)本人所知，論文中除已注明部分外不包含他人已發(fā)表或撰寫過的研究成果。對本文的研究工作做出重要貢獻的個人和集體，均已在文中以明確方式注明。本聲明的法律結(jié)果將完全由本人承擔(dān)。作者簽名： 日期：年月曰關(guān)于學(xué)位論文使用授權(quán)的說明本論文的研究成果歸沈陽化工大學(xué)所有，本論文的研究內(nèi)容不得以其它單位的名義發(fā)表。本學(xué)位論文作者和指導(dǎo)教師完全了解沈陽化工大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，即：學(xué)校有權(quán)保留并向國家有關(guān)部門或機構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱；本人授權(quán)沈陽化工大學(xué)可以將論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進行檢索、交流，可以采用影印、縮印或其他復(fù)制手段保存論文和匯編本學(xué)位論文。（保密的論文在解密后應(yīng)遵循此規(guī)定）作者簽名： 導(dǎo)師簽名： 日期：年月曰畢業(yè)設(shè)計（論文）任務(wù)書畢業(yè)設(shè)計（論文）題目：基于統(tǒng)計特征的不等長間歇過程故 障診斷研究畢業(yè)設(shè)計（論文）內(nèi)容：1、 提取不等長間歇過程的統(tǒng)計特征2、 研究基于PCA的故障診斷方法3、 編制完成實現(xiàn)上述任務(wù)的程序畢業(yè)設(shè)計（論文）專題部分：不等長間歇過程故障診斷研究 起止時間：2014年3月2014年7月指導(dǎo)教師：簽字年月日教研主任：簽字年月日學(xué)院院長：簽字年月日目錄TOC\o"1-5"\h\z\o"CurrentDocument"第一章緒論 1\o"CurrentDocument"引言 1\o"CurrentDocument"間歇生產(chǎn)過程性能監(jiān)控研究現(xiàn)狀 2\o"CurrentDocument"間歇生產(chǎn)過程故障診斷研究進展 2\o"CurrentDocument"多元統(tǒng)計方法應(yīng)用于間歇過程故障診斷. 2\o"CurrentDocument"本文研究內(nèi)容 4\o"CurrentDocument"第二章MPCA在間歇反應(yīng)過程故障診斷中的應(yīng)用 5\o"CurrentDocument"引言 5\o"CurrentDocument"PCA基本原理 6\o"CurrentDocument"主元分析簡介 6\o"CurrentDocument"主元分析的意義 6\o"CurrentDocument"主元分析的基本原理 7\o"CurrentDocument"主元個數(shù)的提取 7\o"CurrentDocument"主元模型 8\o"CurrentDocument"2.3基于MPCA勺故障檢測方法 9\o"CurrentDocument"MPCA理論 9\o"CurrentDocument"2.3.2基于MPC做障檢測的統(tǒng)計量及其控制限 10\o"CurrentDocument"2.3.3基于MPCA勺故障診斷方法 11\o"CurrentDocument"本章小結(jié) 12第三章基于統(tǒng)計特征的不等長間歇過程故障診斷研究13第三章基于統(tǒng)計特征的不等長間歇過程故障診斷研究13\o"CurrentDocument"引言 13\o"CurrentDocument"不等長問題 14\o"CurrentDocument"不等長數(shù)據(jù)描述 14\o"CurrentDocument"不等長軌跡同步化方法 14\o"CurrentDocument"3.3 基于統(tǒng)計特征的不等長間歇過程故障診斷研究 15\o"CurrentDocument"仿真實驗 18\o"CurrentDocument"本章小結(jié) 22\o"CurrentDocument"第四章總結(jié)和展望 23\o"CurrentDocument"總結(jié) 23\o"CurrentDocument"工作展望 23\o"CurrentDocument"參考文獻 25\o"CurrentDocument"致謝 26摘要隨著工業(yè)生產(chǎn)的快速發(fā)展，由于工業(yè)體系的龐大化和復(fù)雜化，如果生產(chǎn)過程中一旦出事故，不僅會影響生產(chǎn)的正常進行，還會造成一定的經(jīng)濟損失甚至人員傷亡，因此故障檢測與故障診斷技術(shù)越來越成為監(jiān)控系統(tǒng)中的不可缺少的一部分。及時準(zhǔn)確地檢測和診斷出過程的故障，不僅可以減少事故、增加過程運行的安全性，而且可以降低生產(chǎn)管理成本，提高產(chǎn)品的質(zhì)量?；诮y(tǒng)計分析的故障診斷是故障診斷技術(shù)的重要組成部分之一。本文以提高不等長間歇過程故障診斷的性能為目的，深入研究了基于統(tǒng)計特征的不等長間歇過程故障診斷算法，并對半導(dǎo)體工業(yè)實例—A1堆腐蝕過程進行了具體地分析與仿真，取得了預(yù)期的效果。本文首先研究了基于多向主元分析(Multi-wayprincipalcomponentanalysis，MPCA方法在故障監(jiān)測與診斷過程中的應(yīng)用。其次，在分析了多向主元分析方法進行故障監(jiān)視和診斷的局限和缺點的基礎(chǔ)上，深入研究了基于統(tǒng)計特征的不等長間歇過程故障診斷算法。通過基于統(tǒng)計特征的不等長間歇過程故障診斷算法，可以先計算每個不等長批次的均值、偏度、峭度、方差和任意兩個變量之間的歐氏距離，然后將這些統(tǒng)計特征組合成一個等長的特征向量,再利用主元分析(principalComponentAnalysis ，PCA)進行過程監(jiān)視。根據(jù)半導(dǎo)體工業(yè)實例的仿真結(jié)果，基于統(tǒng)計特征的不等長間歇過程故障診斷算法與傳統(tǒng)的多向主元分析(MPCA方法相比，不僅可以減少建模過程的計算量，而且其故障診斷率提高了 15%，還大大減少了故障檢測時間，因此該算法具有很好的故障診斷性能。關(guān)鍵詞:故障診斷；不等長間歇過程；統(tǒng)計特征；多向主元分析AbstractWiththerapiddevelopmentofindustrialproduction,duetothelargechemicalindustrysystemandcomplicated,iftheproductionprocessonceanaccident,notonlywillaffectthenormalproduction,butalsocausegreateconomiclossandcasualties,sothefaultdetectionandfaultdiagnosistechnologyhasincreasinglybecomeanindispensablepartinthemonitoringsystem.Timelyandaccuratedetectionanddiagnosisofprocessfaults,notonlycanreduceaccidents,increasethesafetyoperationoftheprocess,butalsocanreducethecostofproductionmanagement,improvethequalityoftheproducts.Faultdiagnosisbasedonstatisticalanalysisisanimportantpartofthefaultdiagnosistechnology.Inordertoimprovetheunequalperformanceoffaultdiagnosisofbatchprocessesasobjective,in-depthstudyofthefaultdiagnosisalgorithmunequalbatchprocessbasedonstatisticalfeatures,andthesemiconductorindustry-A1caseisanalyzedindetailandSimulationofreactorcorrosionprocess,expectedresultswereobtained.Thispaperfirststudiedbasedonmultiwayprincipalcomponentanalysis(Multi-wayprincipalcomponentanalysis,MPCA)applicationonthefaultmonitoringanddiagnosisprocess.Secondly,basedontheanalysisofthelimitationsandshortcomingsoftheprincipalcomponentanalysismethodforfaultmonitoringanddiagnosisofthefaultdiagnosisalgorithm,in-depthstudyoftheunequalbatchprocessbasedonstatisticalfeatures.Inordertoimprovethefaultdiagnosisperformanceoftheuneven-lengthbatchprocesses,anddecreasethecomplexityofthealgorithm,anuneven-lengthbatchprocessesfaultdiagnosismethodbasedonstatisticfeatureswaspresented.Firstly,themeans,variance,skewness,kurtosisandtheEuclideandistancebetweentwovariablesforeachuneven-lengthbatchwerecalculated.Secondly,thesestatisticfeatureswerecombinedintoaneven-lengthfeaturevector.Lastly,principalcomponentanalysis(PCA)wasusedtothefeaturevectorsformonitoringthebatchprocesses.Themonitoringresultsofanindustrialexampleshowthatcomparedwithtraditionalmultiwayprincipalcomponentanalysis(MPCA),theuneven-lengthbatchprocessesfaultdiagnosismethodbasedonstatisticfeaturesincreases15%ofthefaultdiagnosisrateandreduces0.002secondofthefaultdiagnosistime,soithasgoodfaultdetectionperformance.Keywords:faultdiagnosis;uneven-lengthbatchprocesses;statisticfeatures;multiwayprincipalcomponentanalysis.沈陽化工大學(xué)學(xué)士學(xué)位論文 第一章緒論沈陽化工大學(xué)學(xué)士學(xué)位論文 第一章緒論參考文獻周東華，李鋼，李元?數(shù)據(jù)驅(qū)動的工業(yè)過程故障檢測與診斷技術(shù) [M].北京:科學(xué)出版社，2011:1-75.周東華.國內(nèi)動態(tài)系統(tǒng)故障診斷技術(shù)的一些最新進展[J].自動化博覽,2007,12(10):16-18.郭金玉，趙璐璐，李元.基于統(tǒng)計特征的不等長間歇過程故障診斷研究]J].計算機應(yīng)用研究,2012,29(1):51-53HwangDH,HanCH.Realtimemonitoringforaprocesswithmultipleoperatingmodes[J].ControlEngineeringPractice,1999,7⑺:891-902⑸張云濤，龔玲?數(shù)據(jù)挖掘原理與技術(shù)[M].電子工業(yè)出版社，2004，54-80.FRANKPM.Analyticalandqualitativemodel-basedfaultdiagnosis-asurveyandsomenewresults[J].EuropeanJorunalofControl,1996,l(2):6-28.湯雙清.飛輪儲能技術(shù)及應(yīng)用[M].武漢：華中科技大學(xué)出版社，2007:27.蔣浩天，拉塞爾EL.,布拉茨R.D二工業(yè)系統(tǒng)的故障檢測與診斷[M].段建民，譯.北京:機械工業(yè)出版社,2003:2一79.ChiangL.H.RussellE.LandR.D.Braatz.Faultdetectionanddiagnosisinindustrialsystems[M].Springer-Verlag,London,2000.LeeT.Independentcomponentanalysis:theoryandapplication[M].KluwerAcademic,Boston,1998.Kramer,M.A.,.Nonlinearprincipalcomponentanalysisusingautoassociativeneuralnetworks[J].AIChEJ.,1991,37(2):233-243.Vetterli,M.,andHerley,C.Waveletsandfilterbanks:theoryanddesigh[J].IEEETrans.SignalProcess.,1992,40(9):2207-2232.Alsberg,B.K.,Woodward,A.M.,andKe11,