毕业论文-针对时序高维数据结构特征提取的过程监测方法研究.docx

第PAGEI页华东理工大学硕士论文学位

针对时序高维数据结构特征提取的过程监测方法研究

摘要

过程监控是保障工业生产过程安全稳定运行的必要技术和有效手段。工业系统各种传感器记录了大量关于生产相关的数据，这些数据可以反映过程的运行状态。基于流形学习的降维算法在低维空间可以最大程度保持数据的本质结构特征信息。本文针对连续化工过程的多变量、非线性、动态性特点，结合流形学习理论，研究基于流形特征提取的故障监测方法和特征提取策略。本文的研究工作如下：

(1)针对时序多维数据的非线性特征提取问题，在局部保持投影算法的计算框架下，在欧式距离空间和时序近邻空间分别构建邻域图，得到时序扩展的局部保持投影算法(TemporalExtensionLocalityPreservingProjections,TELPP)。TELPP在降维时尽可能保持原始数据空间的本质结构特征信息，适用于非线性数据的特征提取。TELPP将时序多维数据在低维特征空间重构原始数据并得到残差空间，分别在两个空间建立HotellingsT2和SPE统计量及其控制限，实现故障监测阶段的建模。

(2)针对动态过程数据的自相关与互相关特性，结合动态扩展矩阵和TELPP算法，提出基于张量形式的TELPP(Tensor-TELPP)算法并用于动态化工过程的故障监测。Tensor-TELPP可以直接对动态扩展后的三维数组进行特征提取，消除数据的自相关与互相关特性。

(3)针对化工过程多模态辨识问题，提出TELPP结合隐马尔科夫模型(Hiddenmarkovmodel,HMM)的工况模态识别算法。首先提取所有模态信号的正常工况数据，分别用TELPP算法对各个模态数据进行降维，然后用每个模态的特征信息训练一个HMM模型。通过比较观测序列在每个HMM模型下的似然概率值判断当前所处的模态。

本文通过研究田纳西-伊斯曼(TennesseeEastman,TE)过程的故障监测，证明了以上方法的有效性。

关键字：故障监测；多模态分类；局部结构保持投影算法；隐马尔科夫模型

ResearchontheMethodsofFeatureExtractionforTemporaldataStructureonProcessMonitoring

Abstract

Processmonitoringisthenecessarytechnologyandeffectivemethodstoensurethesafetyandsteadyoperationoftheindustrialprocess.Varioussensorsintheindustrialsystemhaverecordedalargenumberofdata,whichcanreflectthestateoftheprocess.Thispaperfocusonextractingtheessentialinformationoftheprocessfromthemultidimensionaltimeseriesdata.Themanifoldlearningalgorithmcanmaintainthelocalstructureofthehighdimensionaldataintothelowdimensionalmanifold.Westudythefaultmonitoringmethodandfeatureextractionstrategybasedonmanifoldlearningalgorithm.Theresearchoutlineofthisarticleisasfollows:

Aimingatextractingthenonlinearfeatureinformationfromtime-seriesmultidimensionaldata,weconstructneighborhoodmapsinEuclideandistanceofspatialandtemporalneighborhoodspacebasedonthelocalitypreservingprojectionalgorithm,obtainedtemporalextensionlocallyprojectionalgorithm.TEL