基于监测的慢时变对象建模及校正方法的研究
发布时间：2022-02-13 22:29
参数慢时变现象广泛存在于过程控制、故障诊断等领域,由于慢时变对象的广泛性、复杂性以及从慢时变对象获得信息的局限性,慢时变对象的辨识与在线校正问题已经成为研究的热点问题之一。因此,研究慢时变对象建模与在线校正问题具有重要的理论与实际意义。本文首先对时变系统建模算法和基于数据驱动的过程监测方法的研究现状进行了概述,并较为详细地介绍了偏最小二乘（PLS）建模方法与主元分析（PCA）监测理论。进而本文针对慢时变对象的模型监测问题展开研究,依据慢时变对象的模型特性,选取模型实际输出与预测输出的偏差以及偏差的变化做为PCA的监测变量；并通过大量仿真实验提出了基于T2统计量变化信息的模型监测判别方法。通过仿真实验,验证了对于一般非线性慢时变对象,该监测算法能够在对象的模型误差超限之前监测到模型异常,从而为准确有效地对模型进行校正提供有利的条件。针对常规校正方法的滞后问题,基于对慢时变对象的模型监测的结果,在模型的误差达到阈值之前对模型进行校正,从而提高了校正精度。同时,为进一步减少校正时间,通过提取相邻两次PLS建模之间的信息,提出了针对慢时变对象的校正向量和PLS校正相结合的模型校正方法。该方法利...
【文章来源】：东北大学辽宁省211工程院校985工程院校教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
常规PLS模型预测曲线
长度w = 3、折息因子义=0.98，判断条件：当前的偏差的绝对值时，认为对象参数发生变化，需要更新模型。其模型预测误差曲线如图2.3所示： 误差0 12 - 误差阈值1 I 0.1 ■ -1110 500 1000 1500 2000 2500 3000图2.3折息块式递推PLS模型预测曲线Fig. 2.3 Predict curve of Blockwise RPLS model based on discount interest factor表2.1为以上两种方法的预测误差比较：表2.1模型预测误差比较 Table 2.1 Predict error of PLS model — 建模算法 偏差绝对值的最大值 均方根误差—常规 PLS 0.1962 0.0712折息块式递推PLS 0.0862 0.0439通过以上仿真实例可以得到以下结论：相比于常规PLS,折息块式递推PLS能够实时有效的适应对象的改变，做出更加精确的估计，跟踪快、误差小。2.2核偏最小二乘法前面介绍的PLS是在对象具有较强的线性关系的假设条件下应用的，而实际的工业过程中，对象多是非线性的，且不容易近似为线性模型，所以引入核函数与PLS结合的核偏最小二乘法（KPLS)。2.2.1核函数在应用统计领域，核函数是一种十分流行的曲线光滑拟合技术。核函数的概念起源于核估计量，而核估计的工作目标是讨论如何根据观测数据集合，来近似估计数据总体的概率密度函数148]。核方法利用非线性变换将低维空间的样本映射到高维特征空间，通过选取合?
常规KPLS模型预测曲线
【参考文献】：
期刊论文
[1]指数加权动态核主元分析法及其在故障诊断中应用[J]. 姜万录,吴胜强,刘思远. 机械工程学报. 2011(03)
[2]基于数据和知识的工业过程监视及故障诊断综述[J]. 刘强,柴天佑,秦泗钊,赵立杰. 控制与决策. 2010(06)
[3]基于多块核主元分析的复杂过程的分散故障诊断(英文)[J]. 张颖伟,周宏,奏泗钊. 自动化学报. 2010(04)
[4]基于偏最小二乘的BP网络模型及其应用[J]. 刘琼荪,张艳粉. 重庆大学学报(自然科学版). 2007(07)
[5]递归核PCA及其在非线性过程自适应监控中的应用[J]. 谢磊,王树青. 化工学报. 2007(07)
[6]基于递推PLS的自适应软测量模型及其应用[J]. 汪小勇,梁军,刘育明,王文庆. 浙江大学学报(工学版). 2005(05)
[7]核函数方法及其在过程控制中的应用[J]. 王华忠,俞金寿. 石油化工自动化. 2005(01)
[8]基于PLS模型的自适应间歇过程质量预测[J]. 李春富,ZHANG Jie,王桂增. 清华大学学报(自然科学版). 2004(10)
[9]折息递推PLS算法及其在橡胶混炼质量控制中的应用[J]. 宋凯,王海清,李平. 化工学报. 2004(06)
[10]应用时变参数建模方法辨识时变模态参数[J]. 续秀忠,张志谊,华宏星,陈兆能. 航空学报. 2003(03)
博士论文
[1]基于数据的间歇过程故障诊断及预测方法研究[D]. 王姝.东北大学 2010
[2]面向间歇发酵过程的多元统计监测方法研究[D]. 刘世成.浙江大学 2008
[3]基于PLS的建模与控制技术在热工过程中的应用研究[D]. 王勇.华北电力大学（北京） 2008
[4]基于Hilbert-Huang变换的桥梁监测信号分析与处理和时变模态参数识别[D]. 王学敏.中南大学 2008
[5]基于数据驱动的流程工业性能监控与故障诊断研究[D]. 郭明.浙江大学 2004
硕士论文
[1]HXD1型机车制动系统故障在线诊断技术的研究与应用[D]. 侯文明.中南大学 2010
[2]基于主元分析的工业过程故障诊断算法研究[D]. 李想.沈阳大学 2010
[3]基于改进OPLS间歇过程监测、质量预测及异常变量追溯[D]. 王金芬.东北大学 2009
[4]基于多阶段MPCA方法的间歇过程监测研究[D]. 张佳.北京化工大学 2009
[5]慢时变对象的支持向量机建模与在线校正方法研究[D]. 冯杰.东北大学 2009
[6]概率PCA多元统计方法在过程监控中的应用研究[D]. 杨沛武.江南大学 2008
[7]基于主元分析的电厂锅炉故障检测与诊断[D]. 朱孔伟.东南大学 2006
本文编号：3624038
【文章来源】：东北大学辽宁省211工程院校985工程院校教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
常规PLS模型预测曲线
长度w = 3、折息因子义=0.98，判断条件：当前的偏差的绝对值时，认为对象参数发生变化，需要更新模型。其模型预测误差曲线如图2.3所示： 误差0 12 - 误差阈值1 I 0.1 ■ -1110 500 1000 1500 2000 2500 3000图2.3折息块式递推PLS模型预测曲线Fig. 2.3 Predict curve of Blockwise RPLS model based on discount interest factor表2.1为以上两种方法的预测误差比较：表2.1模型预测误差比较 Table 2.1 Predict error of PLS model — 建模算法 偏差绝对值的最大值 均方根误差—常规 PLS 0.1962 0.0712折息块式递推PLS 0.0862 0.0439通过以上仿真实例可以得到以下结论：相比于常规PLS,折息块式递推PLS能够实时有效的适应对象的改变，做出更加精确的估计，跟踪快、误差小。2.2核偏最小二乘法前面介绍的PLS是在对象具有较强的线性关系的假设条件下应用的，而实际的工业过程中，对象多是非线性的，且不容易近似为线性模型，所以引入核函数与PLS结合的核偏最小二乘法（KPLS)。2.2.1核函数在应用统计领域，核函数是一种十分流行的曲线光滑拟合技术。核函数的概念起源于核估计量，而核估计的工作目标是讨论如何根据观测数据集合，来近似估计数据总体的概率密度函数148]。核方法利用非线性变换将低维空间的样本映射到高维特征空间，通过选取合?
常规KPLS模型预测曲线
【参考文献】：
期刊论文
[1]指数加权动态核主元分析法及其在故障诊断中应用[J]. 姜万录,吴胜强,刘思远. 机械工程学报. 2011(03)
[2]基于数据和知识的工业过程监视及故障诊断综述[J]. 刘强,柴天佑,秦泗钊,赵立杰. 控制与决策. 2010(06)
[3]基于多块核主元分析的复杂过程的分散故障诊断(英文)[J]. 张颖伟,周宏,奏泗钊. 自动化学报. 2010(04)
[4]基于偏最小二乘的BP网络模型及其应用[J]. 刘琼荪,张艳粉. 重庆大学学报(自然科学版). 2007(07)
[5]递归核PCA及其在非线性过程自适应监控中的应用[J]. 谢磊,王树青. 化工学报. 2007(07)
[6]基于递推PLS的自适应软测量模型及其应用[J]. 汪小勇,梁军,刘育明,王文庆. 浙江大学学报(工学版). 2005(05)
[7]核函数方法及其在过程控制中的应用[J]. 王华忠,俞金寿. 石油化工自动化. 2005(01)
[8]基于PLS模型的自适应间歇过程质量预测[J]. 李春富,ZHANG Jie,王桂增. 清华大学学报(自然科学版). 2004(10)
[9]折息递推PLS算法及其在橡胶混炼质量控制中的应用[J]. 宋凯,王海清,李平. 化工学报. 2004(06)
[10]应用时变参数建模方法辨识时变模态参数[J]. 续秀忠,张志谊,华宏星,陈兆能. 航空学报. 2003(03)
博士论文
[1]基于数据的间歇过程故障诊断及预测方法研究[D]. 王姝.东北大学 2010
[2]面向间歇发酵过程的多元统计监测方法研究[D]. 刘世成.浙江大学 2008
[3]基于PLS的建模与控制技术在热工过程中的应用研究[D]. 王勇.华北电力大学（北京） 2008
[4]基于Hilbert-Huang变换的桥梁监测信号分析与处理和时变模态参数识别[D]. 王学敏.中南大学 2008
[5]基于数据驱动的流程工业性能监控与故障诊断研究[D]. 郭明.浙江大学 2004
硕士论文
[1]HXD1型机车制动系统故障在线诊断技术的研究与应用[D]. 侯文明.中南大学 2010
[2]基于主元分析的工业过程故障诊断算法研究[D]. 李想.沈阳大学 2010
[3]基于改进OPLS间歇过程监测、质量预测及异常变量追溯[D]. 王金芬.东北大学 2009
[4]基于多阶段MPCA方法的间歇过程监测研究[D]. 张佳.北京化工大学 2009
[5]慢时变对象的支持向量机建模与在线校正方法研究[D]. 冯杰.东北大学 2009
[6]概率PCA多元统计方法在过程监控中的应用研究[D]. 杨沛武.江南大学 2008
[7]基于主元分析的电厂锅炉故障检测与诊断[D]. 朱孔伟.东南大学 2006
本文编号：3624038
本文链接：https://www.wllwen.com/projectlw/xtxlw/3624038.html