批次过程数据模量驱动的分布中心匹配故障诊断研究

本课题提出的批次过程数据模量是将数据的统计信息进行提取建立新的代表过程特征信息的数据子空间，应用批次过程数据的均值、方差、斜度、峭度等统计量建立的数据矩阵具有轨迹同步化的数据特征，数据模量摒弃了批次过程数据轨迹的不一致性，避免了数据预处理给过程监视与故障诊断带来的信息的损失与丢失等诸多问题；在此基础上研究过程信息的相关性，将不同批次同一变量的自相关性，同一批次不同变量间的互相关性，不同变量不同批次间的协相关性作为代表批次过程变量与变量间、批次与批次间，过程与过程间的统计指标，构建批次过程故障诊断的模型框架；由于过程变量的相关关系是过程状态的直接表征，因此其相关关系的波动即可反映过程运程的变化；建立数据相关性信息的统计数据分布密度函数，在三维空间中建立数据分布中心点，并使数据分布中心不断收敛，最后到达一代表正常状态的统计中心模型，通过数据分布密度中心的匹配进行批次过程故障诊断。

本项目针对批次过程数据的不一致问题，研究过程数据的统计特性以及表征数据统计特性的统计指标，提出批次过程数据统计模量，并在此基础上进行统计分析与过程故障诊断。应用批次过程数据的均值、方差、斜度、峭度等统计量建立的数据矩阵具有轨迹同步化的数据特征，保证了数据特征的完整性与实效性。在统计模量驱动的基础上，研究了数据分布中心匹配以及在过程监视与故障诊断中的应用，结合K近临理论，数据的正常样本分布轨迹与训练样本的分布轨迹相似，而故障样本的轨迹将与之发生偏离，提出并研究了K近临故障诊断、主元K近临、高斯混合模型的马氏距离K近临、基于稀疏距离的故障检测、核密度估计K近临故障检测的理论与方法，实现了批次过程的数据分布中心匹配的模型建立、过程监视以及故障诊断。在此基础上提出并研究了扩散映射低维流形特征空间理论、支持向量数据描述的中心匹配故障诊断，进一步为数据分析、过程描述提供了参考。. 本项目的研究实现了批次过程数据模量驱动、数据分布统计指标的建立以及数据分布中心的统计特性的确定等，在此基础上在批次过程中进行了应用，提高了过程监视与故障诊断系统的可靠性与准确性。本项目可保证过程数据信息的完整性，研究内容将对提高批次过程的安全性具有重要意义。