论文总字数：22649字

摘 要

针对化工过程中存在强非线性、强耦合性和多模态等特性，过程中数据不能直接反映过程的运行状态，故障检测性能较低，本文采用邻域保持嵌入算法进行维数约简，提取有效数据，并将其应用于TE化工过程故障检测与分析中。论文主要内容如下：

首先，分析了传统降维算法PCA算法原理和步骤。主元分析法的基本思想是将原始数据进行线性组合，这样就能得到许多相互之间没有联系的新数据，在这些数据中选几个出来，选出的这些数据能够反映出尽可能多的信息。PCA算法首先计算各指标的样本均值和标准差，然后对数据进行标准化处理，计算样本的协方差矩阵，再对其进行特征分解，得到特征向量和特征值并进行排序，最后建立主元模型，计算前k个主元的样本值得到新样本矩阵。

然后，重点分析邻域保持嵌入算法，并通过TE仿真，验证其故障诊断性能。NPE算法的基本思想是发现样本数据空间中存在的低维流形特征，在降维的同时保留样本空间的局部流形结构。其算法步骤为：首先计算近邻点，然后计算重构权重，最后再建立目标函数获取投影矩阵。通过TE仿真结果可以看出，在对具有强非线性等特性的化工过程进行过程监控时，邻域保持嵌入算法的故障检测性能是优于主元分析法的。

关键词： 主元分析 邻域保持嵌入 故障检测 数据降维 流形学习

Neighborhood Preserving Embedding and Its Application in Fault Detection

Abstract

Chemical process in the strong nonlinear properties of strong coupling and multimodal, data do not directly reflect the processes running in the process, fault-detection performance, this neighborhood preserving embedding algorithm for dimensionality reduction, extracted data, and apply it to the TE in chemical process fault detection and analysis. Main contents are as follows:

First of all, the traditional descending dimension algorithm for PCA algorithm and steps. Principal component analysis of linear combinations of the basic idea is that the raw data, so you can get a lot of new data without contact with each other in these data, select a few, selected these data reflect as much information as possible. PCA algorithm first computes the sample mean and standard deviation of each index, and then the data is standardized to calculate the sample covariance matrix, then the eigenvalue decomposition, have eigenvectors and eigenvalues, and sort, and finally established the main model calculation first k principal sample is worth to the new sample matrix.

Then, focus on neighborhood preserving embedding algorithm and TE simulation, verify the diagnosis performance. NPE the basic idea of the algorithm is to find data characteristics of low-dimensional manifolds in the space, in the lower dimensions while retaining local manifold structure of the sample space. The algorithm steps are: neighbor points are evaluated first, then refactoring weight before setting the target function to obtain the projection matrix. By TE simulation results show, that has a strong nonlinear process monitoring characteristics of chemical processes such as time, neighborhood preserving embedding algorithm of fault-detection performance is

better than the principal component analysis method.

Key words：principal component analysis; neighborhood preserving embedding; data dimensionality reduction; manifold learning; fault detection

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 研究背景与意义 1

1.2 国内外研究现状及研究难点 2

1.3 本文主要研究内容及章节安排 4

第二章 TE化工过程 6

2.1 TE过程工艺流程 6

2.2 过程变量 8

2.3 过程故障模拟 9

第三章 主元分析故障诊断方法 11

3.1 主元分析 11

3.1.1 主元分析的基本原理 11

3.1.2 PCA算法 13

3.1.3 主元个数的确定 16

3.1.4 统计量及控制限的确定 17

3.2 PCA算法在TE过程的故障仿真 17

3.2.1 PCA故障诊断的步骤 17

3.2.2 TE过程故障数据预处理 18

3.2.3 TE过程故障模拟仿真与分析 19

第四章 基于邻域保持嵌入算法（NPE）的故障诊断 22

4.1 流形学习算法 22

4.1.1 分类 22

4.1.2 主要算法 22

4.2 NPE算法理论 23

4.2.1 近邻点的选择 23

4.2.2 近邻点之间的权重 24

4.2.3 投影矩阵的计算 25

4.3 监控统计量及控制限估计 25

4.4 NPE算法在TE过程的故障仿真 26

第五章 总结与展望 30

参考文献 31

致谢 33

第一章 绪论

如今人们与化工已经有了千丝万缕的联系，普及到生活的方方面面，可以说当今社会人们如果没有了化工就无法正常的生活了，因为衣食住行中充斥着各种各样的化工产品。近些年来，由于当代科学技术在不断地提高，生产技术也是在飞速成长，伴随着的是工业系统越来越庞大。如果工业生产系统的内部发生异常状况，又不能够及时发现异常，并且处理异常的话，很可能会造成巨大的经济损失，严重的话还将造成人员的伤亡。是以，如何保障化工工业生产过程中的安全是重中之重。所以，对过程监控进行研究十分必要。

1.1 研究背景与意义

请支付后下载全文，论文总字数：22649字