基于聚类分析的间歇过程时段划分的MPCA建模的故障分析精选.doc

各专业全套优秀毕业设计图纸 基于聚类分析的间歇过程时段划分的MPCA建模的故障分析 摘要 对于具有过渡、多阶段特的的故障检测是非常复杂的。间歇过程的诊断都要求对数据进行预处理才能得到有效检验结果方法对间歇过程阶才能有效提高建模和故障诊断的准确性。 为了更加更加精准有效故障检测及诊断，降低误报率一种基于马氏距离的K-means聚类算法，依据基于协方差距离的方法实现的，MATLAB编程环境下，的整体设计方案编写马氏距离实现K-means聚类的相应程序完成间歇过程进行划分的实现通过Pensim设计基于MPCA）模型的故障检测，利用故障 实验结果表明，在K-means聚类算法对间歇过程进行分段模块的在故障检测的效果方面，的故障检测低， 关键词：；  目录 前言 1 第1章绪论 2 第2章基于聚类分析的间歇过程时段划分算法原理 3 第2.1节聚类分析算法原理 3 2.1.1 聚类分析算法概述 3 2.1.2 K-means聚类分析算法原理 4 2.1.3 马氏距离基本原理 5 2.1.4 马氏距离与欧氏距离的比较 5 第2.2节基于MPCA的故障检测原理 6 2.2.1基于批次展开的MPCA方法原理 6 2.2.2主元分析方法原理 7 第2.3节总体方案设计 9 第3章基于聚类分析间歇过程时段划分算法程序的设计与实现 10 第3.1节数据获取及预处理模块设计与实现 10 第3.2节基于K-means的聚类分析算法模块设计与实现 12 第3.3节基于MPCA的故障检测模块设计与实现 15 第4章实验与分析 18 第4.1节基于K-means的聚类分析算法模块的实验与分析 18 4.1.1实验数据获取 18 4.1.2 基于马氏距离的K-means聚类分析算法的实验与分析 19 4.1.4 聚类结果分析 19 第4.2节基于MPCA的故障检测模块的实验与分析 20 4.2.1 MPCA的数据预处理与建模 20 4.2.2 故障检测结果 21 4.2.3 故障溯源 23 前言 复杂工业过程往往伴随着很多危险因素，一个环节控制不准确就可能会引起生产运行不稳定、产品质量不可靠等问题，甚至可能造成财产及人身安全的重大事故。所以对生产过程的故障检测、预测、排除等技术的研究近年来一直受到国内外的广泛关注，也成为一个炙手可热的研究热点。 随着社会对工业产品高精度、高质量、多品种的需求，小批量的精细生产也成为一个重要的发展趋势。工业化生产更加依赖间歇过程。间歇过程具有多时段和过渡性的特点，导致这类系统通常是非线性、时变、滞后的，并且模型不确定，对这类系统很难建立一个精确的数学模型来对其进行控制和检测，这个问题一直是控制界一个非常具有挑战性的课题之一，因而对间歇过程系统控制问题的研究，具有一定的理论价值和实际应用价值。 传统聚类分析方法采用欧氏距离进行计算，即用两点之间的距离的平方和来比较实际操作数据与质心的距离。这种方法虽然比较简单，而且比较实用，但是也存在着明显的缺陷。欧氏距离将不同属性的变量等同对待，这一点有时并不能满足实际的要求。而采用马氏距离不受量纲的影响，可以排除变量之间相关性的干扰，克服指标变量不同量纲不同权重所造成的误判。 本课题对传统的欧氏距离方法上进行改进，采用马氏距离方法进行聚类分析。在MATLAB编程环境下实现基于马氏距离的间歇过程时段划分算法程序设计。并使用Pensim青霉素发酵仿真软件对青霉素发酵过程的间歇过程数据进行实验测试。 第1章绪论 随着工业水平的不断发展和提高应用于，如精细化工产业生物产业农产品深加工等。产品多规格、高质量的要求，间歇越来越受到重视。过，受生产设备物理结构，或其他经济技术上因素影响使生产过程由一个或多个一定顺序执行的。在执行过程中，都会生产环境动态特性的影响，使得生产的产品和工艺操作条件频繁发生变化。生产过程相比，间歇过程，多样性，不确定性等特征。，就1]。 多阶段是间歇过程的一个固有特征，过程的每个阶段都有不同的过程特征及过程主导变量，而且过程变量相关关系并非随着时间变化，而是跟随过程操作进程或过程机理特性变化呈现分阶段性[2-4]。然而由于这些过程本身其动态特性，以及当在同一设备上要求运行不同的生产批次，所需要产生的各批次之间的操作条件的变化会带来产品质量不高或重复性差等问题，也会造成许多安全隐患[5]。 K-means聚类算法是一种经典的划分的聚类算法，具有算法简单，收敛速度快，适用于处理大数据等优点本身处理大数据集时，是相对可伸缩和的方法。动态特性，的方法，能地实现对的。  第2.1节聚类分析算法原理 2.1.1 聚类分析算法概述 聚类是一种将未知变量划分成类的方法，这也是聚类与分类的根本差别。不同数据划分成簇，簇内部的对象之间有很的相似性，簇之间则有很大的区别。有哪些信誉好的足球投注网站簇的无监督的学习过程