主元统计法与符号有向图模型相结合的故障诊断方法

点击数: 本文出自:前程论文网

这是一篇关于《主元统计法与符号有向图模型相结合的故障诊断方法》的内容,需要代写代发请点击940959299咨询!
符号有向图(SDG)深层知识模型能表达复杂的因果关系,具有包容大规模潜在信息的能力,目前, 在流程系统领域是完备性较好的一种故障诊断方法。虽然,基于SDG的方法只是定性的,但在实际的电站和化工过程中,操作条件多变,动态特性复杂[1],而只有变量间的定性逻辑关系保持稳定不变, 因而它具有不可比拟的优势。SDG的一个吸引人的特点在于可以用不精确的模型方程,或是少量历史数据构造。用SDG作故障诊断,就计算量和复杂程度而言,是相对省力的。它保证了真正的根原因是所提出的根原因集的子集。
       但其每一被测变量在辨识其偏差时,都要有高限阈值和低限阈值。这样,对于n个被测变量,需要确定2n个阈值。由于过程中存在大量的参数且缺乏明确的规则,选择这些阈值通常是很困难的。即各个变量之间是单独进行的,相当于作了一个单变量统计检验,所以不可避免地具有单变量统计的缺点。另一方面,由于SDG在建立过程中只使用了定性关系,而忽视了其它更深层次的联系,同时,将系统已知的一些定量知识简单地转化为定性知识,而舍弃了一些有用的信息。这两个方面最终都会导致诊断的分辨率不高,即除了真正的故障原因外,SDG方法会提供更多的无效的故障解释。
       主元分析法(PCA)是一种多变量统计技术,它利用正常工况下的大量可得的历史数据建模,能够将含噪声且相关的过程数据所组成的高维数据空间投影压缩到低维特征子空间,用少部分独立的主元变量来描述多维空间的绝大部分动态信息。因此, PCA不仅监控不同的变量,而且同时考虑其中的相关关系。传统的单变量统计技术虽然简单利于理解,但在过程正常变化中,由于控制器的动作往往会导致大量误报警,这就是忽略了变量之间的相关关系的缘故,而PCA对正常范围内的控制器动作变化却能保持鲁棒性。
       相对于基于解析模型的诊断方法而言,它克服了由于非线性等不易建立精确数学模型的缺点,正日益受到人们的关注。然而,PCA的不足之处在于,并没有彻底帮助操作人员辨识出故障的根原因。对于一个大的过程,存在许多变量,用 PCA法得出的方差贡献所监视的过程变量,不一定是最后的所辨识的故障,也就是说,还没有分离出其本质[2]。

[正文图表略.]
【前程论文网(www.qianchengone.com),专业之手,论文必达,助你解除论文烦恼!再无论文之忧!】
  • 【责任编辑:前程论文网】
  • (Top) 返回页面顶端

前程论文网友情提示:

    1.本站刊登此文只为传递信息,不表示赞同或者反对作者观点。如果此内容给您造成了负面影响或损失,本站不承担责任。如果本篇内容涉及到您版权的问题,请及时与我们取得联系,我们在收到您的反馈信息后会尽快核实并妥善处理。
  • 2.为了更好的服务各高校及有代写论文需求的大学生、硕士生、博士生,本站特别开设专家答疑服务,由权威人士为您解答代写各类论文的相关问题,并提供最专业的写作方案和建议。
  • 3.有关代写代发业务(流程),请咨询在线客服(代写QQ、发表QQ)。

服务指南

分类大全 代写范围 汇款方式
联系我们 信誉介绍 最新完成稿件

联系方式

代写咨询QQ点击这里给我发消息
发表咨询QQ点击这里给我发消息
写手加盟QQ点击这里给我发消息
>>>>>>>>怕骗必看<<<<<<<<
   本站标准化作业,分售前售后,
是为了让您得到更细致、精准、专
业化的服务,同时推出论文定期进
度查询工作,承载信任助您成功 !
加盟合作QQ 点击这里给我发消息
联系邮箱:qianchengone@qq.com