论文部分内容阅读
由于对生产质量体系性能和经济运行的要求越来越高，现代工业体系日益庞大，复杂性也越来越高。为了解决这些问题，数据驱动技术，如主成分分析（PCA）、偏最小二乘（PLS）和典型相关分析（CCA）用于系统故障诊断和过程监控。它们假设要研究的数据不是自相关的。然而，大多数大型化学工业工厂本质上都是非线性的，所以这些技术不能试用于它们，本质上是无效的。为了弥补这个缺陷，需要开发一种能够管理这些过程异常的算法。工业产品的需求正在迅速增长，因此提出了不同的适应性技术。典型相关分析（CCA）是多元数据驱动的方法，它将同时考虑输入输出过程数据。本文讨论了数据驱动技术的实现，如用于田纳西伊士曼（TE）过程监控的主成分分析（PCA）偏最小二乘（PLS）和典型相关分析。主成分分析（PCA）是用于检测和诊断化学过程中的故障的最常用的降维技术。尽管PCA在故障检测方面具有一定的最优性，并且已被广泛应用于故障诊断，但它不是最适合的用于故障诊断。与PCA和PLS相比，典型相关分析（CCA）已被证明可改善化学过程中的故障诊断。使用T2统计和Q统计（SPE）同时检测多个故障。在这项工作中，我们比较了这些技术，发现CCA比PCA和PLS更有效。性能改进由故障检测率来说明。为了进一步比较它们在应用方面的性能，利用田纳西伊士曼过程的行业基准来分析所有讨论的方法的有效性。研究结果致力于为在大规模工业过程中实现成功的PM-FD提供参考。