《基于ICA和小波变换的过程监测方法的研究》-毕业论文.doc

基于ICA和小波变换的过程监测方法的研究 摘 要 过程监测一直都是工业系统的主要研究问题之一。它通过密切地监督生产过程的运行状态，不断地检测过程的变化趋势、诊断故障信息，有效地提高了产品的质量和经济效益。基于数据驱动的方法是过程监测领域的一个重要分支，由于其仅依赖于易得的过程数据，不依赖于精确的数学模型，近年来成为过程监控领域研究的热点。 本文针对工业过程的实际特点，以独立成分分析（Independent Component Analysis，ICA）为主线，结合小波变换，对过程监测方法进行了深入的研究。 ICA作为高阶统计量的信号分解方法，可以避免数据服从正态分布的假定，有效地利用变量的统计特性，在统计独立的意义下对观测变量进行分解，实现对过程本质结构的最理想描述。然而对于实际工业过程而言，一般不能确切知道独立分量的个数，FastICA算法得到的独立成分往往也是杂乱无章的，并不能确定各独立成分对观测信号的主次性，本文采用MSE方法对独立成分进行排序，提取关键的独立成分，进而利用核密度估计确定统计量控制限，得到在线监测模型，并用贡献图方法进行故障辨识。 考虑工业过程测量数据具有的非高斯分布、多尺度、动态和随机噪声影响等特征，以及FastICA算法在具有多高斯噪声信号源系统中收敛性较差的问题，在ICA方法的基础上，结合小波分析，提出基于小波变换的多尺度ICA方法用于过程的故障检测。应用ICA和小波变换进行过程特征信息的两步提取，通过小波变换的多尺度分析特性，提取过程数据的局部时频信息，滤除一定的噪声，在每个尺度上保留关键的独立成分，然后对重构的全尺度时间域上的过程信息进行ICA过程监测。通过对TE过程的仿真研究，验证了该方法的有效性，能更好地提取过程运行状况的本质信息，与ICA方法相比，具有较高的故障检测率和较短的检测时滞，提高了过程监测性能。 关键词：过程监测，故障检测，独立成分分析，小波变换，TE过程 Research on Process Monitoring Based on ICA and Wavelet Transform Methods Abstract The process monitoring is one of the main concerns in the industrial system research. Through closely monitoring the process conditions and timely detecting faults information, it effectively improves product quality and increases economic benefit. Data-driven based methods are important branches in the field of process monitoring. Since only rely on the easy-gained process data not on mathematical model, it has been the focus in process monitoring. In this thesis, considering the characteristics of industry process, independent component analysis (ICA) and wavelet transform are used to improve the performance of process monitoring. As a signal decomposing technique with the higher-order statistical information, ICA can be used without assumption that data follow normal distribution and can utilize the statistical characteristics of the variables more efficiently. Through decomposing of the monitoring variables under the meanings of the statistical independence, the intrinsic characteristics of the process can be described. But as for the actual industry process, generally we can’