摘要
工业的发展是建设社会主义现代化强国的关键，近些年我国工业生产规模不断地扩大，生产设备也愈加精密化，同时得益于更加便捷的数据采集存储技术，大量的生产过程历史数据被记录下来，这为基于数据驱动的故障诊断技术创造了良好的发展条件。工业生产过程的数据一般具有高维、动态的特点，因此从测量空间提取数据的有效特征、考虑数据的时序相关性是十分重要的。基于上述问题，本文进行了以下研究： （1）提出一种基于马氏距离的局部敏感判别分析(LSDA-M)方法应用于工业过程的故障诊断。在故障诊断的特征提取阶段，使用了局部敏感判别分析(LSDA)方法，该方法可以挖掘高维数据中的局部几何结构，并且引入了判别信息，使用了平衡因子平衡类内类间的权重。在构建邻接图的步骤中，本文使用马氏距离在高维空间中对近邻点进行度量，排除了数据变量之间的相关性干扰，从而得到更好的特征提取效果。 （2）考虑到当工业生产为动态过程时，数据的观测变量之间存在时序相关性，提出了基于马氏距离的动态局部敏感判别分析(DLSDA-M)方法。通过在监测矩阵中加入过程变量的时间滞后数据，构建了原始数据的增广矩阵，再使用LSDA-M进行特征提取，从而使系统的动态行为被准确描述。 （3）本文在模型应用过程中，通过Akaike信息准则确认所提模型的最佳降维阶次，使用AdaBoost算法集成决策树进行故障归类。最后以合成数据案例和田纳西－伊斯特曼过程（TEP）数据为研究对象，从多个指标出发对所提方法进行全面的验证和分析，证明了所提方法的有效性。
NETL