多變量復雜系統(tǒng)的穩(wěn)態(tài)檢測和提取方法研究.pdf

1、系統(tǒng)是否處于穩(wěn)態(tài)是對系統(tǒng)進行研究時最基礎和常見的假設，直接關系到后續(xù)對系統(tǒng)進行控制和優(yōu)化的方法。隨著過程工業(yè)的發(fā)展，實際的生產過程中系統(tǒng)和生產方式都趨于復雜化，系統(tǒng)整體表現(xiàn)為多變量、非線性和時變性等特點。如何在復雜過程系統(tǒng)的歷史數據中找到系統(tǒng)處于穩(wěn)態(tài)的時刻，并且析取各個穩(wěn)態(tài)下對應的工況就顯得更加重要。
　　本文從數據驅動的角度出發(fā)，結合傳統(tǒng)的穩(wěn)態(tài)檢測方法和統(tǒng)計學習算法思想，研究了復雜過程的穩(wěn)態(tài)檢測以及穩(wěn)態(tài)工況數據提取的方法。針對復

2、雜過程的多變量特征，將統(tǒng)計學習和數據挖掘領域的主元分析法、聚類以及核密度估計等算法應用于穩(wěn)態(tài)檢測中，并以典型的單元裝置精餾塔仿真模型數據和發(fā)電機組鍋爐對象的實際數據為實例進行了算法驗證和性能分析。
　　本文的主要內容和創(chuàng)新點包括:
　　針對基于統(tǒng)計分析的穩(wěn)態(tài)檢測方法，在基于F檢驗的單變量算法的基礎上，提出一種基于主元分析法(PCA)的多變量F檢驗改進算法，將原算法的適用范圍拓展到多變量領域。仿真實例表明該改進方法比現(xiàn)有的基于

3、單變量穩(wěn)態(tài)合成的多變量穩(wěn)態(tài)檢測算法準確且具有較好的抗干擾能力。
　　在系統(tǒng)穩(wěn)態(tài)數據符合高斯假設的基礎上，提出了不同穩(wěn)態(tài)下多變量復雜系統(tǒng)數據表現(xiàn)為均值不同的高維高斯分布的假設，從而可以將多變量系統(tǒng)的穩(wěn)態(tài)檢測問題轉化為以穩(wěn)態(tài)工況為中心點的聚類問題。在此基礎上，提出了聯(lián)合層次聚類和時序判據的多變量穩(wěn)態(tài)檢測方法，以及聚類閾值最優(yōu)值的確定方法。通過精餾塔機理模型數據驗證了方法的有效性，該方法無需預先進行變量挑選和聚類閥值選取，可以直接計算。

4、在維度不同的數據上的實例分析表明，該算法復雜度不隨著數據維度增加而增加。
　　針對如何獲取穩(wěn)態(tài)工況的問題，在穩(wěn)態(tài)檢測算法的基礎上，引入了核密度估計(KDE)，通過估計數據概率分布情況來求取區(qū)間內的穩(wěn)態(tài)工況，可以準確地獲取數據集中蘊含的多個穩(wěn)態(tài)工況，并且可以有效地克服由于穩(wěn)態(tài)檢測算法的偏差而導致的非穩(wěn)態(tài)數據干擾。針對核密度估計在高維度數據集上計算量復雜求解困難的不足，提出了基于PCA的降維-重構方法，從而減少算法復雜度，仿真結果表明