导读:本文包含了田纳西伊斯曼过程论文开题报告文献综述及选题提纲参考文献，主要关键词:过程控制,IP网络,数据集,仿真
田纳西伊斯曼过程论文文献综述
姜义[1]（2018）在《基于Ethernet/IP的分布式田纳西伊斯曼过程控制系统仿真与数据集生成》一文中研究指出为了更好的研究基于Ethernet/IP的控制网络在过程控制系统中的性能表现,以及更好研究的可能由于控制网络而导致的工厂设备故障,需要一套尽可能接近真实工厂运行的数据集。提出了在离散事件仿真器中搭建网络与工业控制过程联合仿真平台来生成这个数据集,并通过该仿真平台生成了数据集共之后的研究使用。试验中通过设置不同的网络参数和控制算法步长进行仿真,得到了在各种情况下被控过程的无故障工作时间。实验结果表明,过程控制系统与网络的联合仿真能够较好的反映出网络延迟和丢包率对被控制过程的影响。(本文来源于《化学工程与装备》期刊2018年11期）
吴卓卓[2]（2016）在《基于田纳西—伊斯曼过程故障检测方法研究》一文中研究指出多变量统计过程控制方法(MSPC)已经被广泛地应用于关于化工过程的监测研究,并且得到了专家和学者们的重视。由于化工过程的监测算法可以通过田纳西-伊斯曼(TE)数据来验证提出的算法有效性和可行性,美国Eastman化学公司的Downs和Vogel根据该公司一个实际的化工联合反应过程,开发的TE Benchmark实验平台,并由该平台产生TE数据。因此,本论文主要的研究对象是TE数据,针对复杂的工业过程,提出了以下几种有效的过程监测方法。(1)针对复杂工业过程中的非线性和非高斯信息问题,建立了一种新的基于主成分分析和支持向量数据描述(PCA-SVDD)的故障检测模型。由于支持向量数据描述(SVDD)模型具有不受线性和高斯假设的限制的优点,克服了传统主成分分析(PCA)统计检测方法假设过程满足线性和高斯分布的缺点。首先,应用主成分分析法对过程数据进行分解,提取出得分矩阵信息。然后,采用支持向量数据描述(SVDD)算法对得分矩阵建立基于距离的统计量并构建其相应的统计限。最后,通过TE数据的仿真实验说明了本章算法的有效性和可行性,而且提高了对故障的检测率。(2)针对化工过程监测的数据可能含有稀疏噪声的情况。提出了鲁棒主成分分析和支持向量数据描述(RPCA-SVDD)的故障检测模型。由于鲁棒主成分分析(RPCA)不仅能从稀疏噪声污染数据中恢复出低秩矩阵数据,而且支持向量数据描述(SVDD)算法能克服数据满足线性和高斯假设的不足。采用加速近端梯度(APG)算法来实现对鲁棒主成分分析的求解。最后,通过对田纳西-伊斯曼(TE)仿真实验证明了该章提出的算法是可行性的。结果说明了该章提出的算法有效地改善了故障的监测效果。(3)针对实际的工业过程产生的数据会受较大的且稀疏噪声污染,因此采用传统主成分分析(PCA)处理此类数据效果不佳。低秩矩阵与稀疏分解(LRSD)能够分解出高维数据中反应本质的低秩矩阵数据,且不受到稀疏噪声影响的优点,本章提出了一种基于低秩矩阵与稀疏分解和主元分析(LRSD-PCA)故障检测方法。首先,应用低秩矩阵与稀疏分解(LRSD)提取出高维数据中的低秩数据。其次,利用低秩矩阵与稀疏分解(LRSD)算法得到的低秩数据,建立主元分析模型。最后,通过一个数值仿真例子和TE仿真数据,结果表明该算法是有效的。(本文来源于《华东交通大学》期刊2016-06-30）
边双微[3]（2011）在《田纳西—伊斯曼化工过程的故障诊断》一文中研究指出随着工业过程规模的不断扩大,系统的复杂性越来越高,保证系统高效、安全运行成为提高产品质量和经济效益的关键。要保证系统的安全、可靠,必须建立行之有效的过程监控和故障诊断。在过程监控中,可以采集和存储大量的测量数据,通过对这些数据的处理从中得到系统状态,及时的对系统故障进行处理,故障诊断就是在这样的背景下逐步发展起来的。本文在田纳西-伊斯曼过程(TEP)基础上对故障诊断技术进行分析。TEP包含了典型的过程工业中的叁反一转过程,具有一定的代表性。TEP包含较多的变量,某些变量间存在相关性,用原始测量数据分析系统性能效率比较低,因此我们选用了主元分析(PCA)来进行故障检测。通过PCA的检测结果,我们发现传统的PCA无法正确识别出系统故障,因此我们对比使用了核主元分析法(KPCA)来进行故障检测。对于故障识别和故障分类,我们选用了支持向量机的方法。支持向量机是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力,在故障识别和故障分类中取得了良好的应用。经过仿真,在故障检测中PCA方法的误诊率和漏报率非常高,无法正确检测出系统是否发生故障,而KPCA算法的误诊率和漏报率则得到了大大提高,可以应用到TEP检测中。支持向量机方法可以正确识别出造成故障的变量,正确识别出故障的类别,达到了故障识别和故障分类的效果。(本文来源于《华中科技大学》期刊2011-01-01）
田文德,孙素莉,汪海[4]（2009）在《田纳西-伊斯曼过程故障特性仿真》一文中研究指出基于文献提供的部分数据,建立了田纳西-伊斯曼过程的非线性动态数学模型。重点对其中的反应器、分离器和汽提塔进行了研究,进行了故障状态下的动态特性模拟。计算结果表明,所建模型精确合理,响应特性满足故障模拟的要求。该工作为基于模型的定量故障诊断数学模型建立、诊断方法选择和后果分析等方面的研究奠定了基础。(本文来源于《青岛科技大学学报(自然科学版)》期刊2009年01期）
田纳西伊斯曼过程论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
多变量统计过程控制方法(MSPC)已经被广泛地应用于关于化工过程的监测研究,并且得到了专家和学者们的重视。由于化工过程的监测算法可以通过田纳西-伊斯曼(TE)数据来验证提出的算法有效性和可行性,美国Eastman化学公司的Downs和Vogel根据该公司一个实际的化工联合反应过程,开发的TE Benchmark实验平台,并由该平台产生TE数据。因此,本论文主要的研究对象是TE数据,针对复杂的工业过程,提出了以下几种有效的过程监测方法。(1)针对复杂工业过程中的非线性和非高斯信息问题,建立了一种新的基于主成分分析和支持向量数据描述(PCA-SVDD)的故障检测模型。由于支持向量数据描述(SVDD)模型具有不受线性和高斯假设的限制的优点,克服了传统主成分分析(PCA)统计检测方法假设过程满足线性和高斯分布的缺点。首先,应用主成分分析法对过程数据进行分解,提取出得分矩阵信息。然后,采用支持向量数据描述(SVDD)算法对得分矩阵建立基于距离的统计量并构建其相应的统计限。最后,通过TE数据的仿真实验说明了本章算法的有效性和可行性,而且提高了对故障的检测率。(2)针对化工过程监测的数据可能含有稀疏噪声的情况。提出了鲁棒主成分分析和支持向量数据描述(RPCA-SVDD)的故障检测模型。由于鲁棒主成分分析(RPCA)不仅能从稀疏噪声污染数据中恢复出低秩矩阵数据,而且支持向量数据描述(SVDD)算法能克服数据满足线性和高斯假设的不足。采用加速近端梯度(APG)算法来实现对鲁棒主成分分析的求解。最后,通过对田纳西-伊斯曼(TE)仿真实验证明了该章提出的算法是可行性的。结果说明了该章提出的算法有效地改善了故障的监测效果。(3)针对实际的工业过程产生的数据会受较大的且稀疏噪声污染,因此采用传统主成分分析(PCA)处理此类数据效果不佳。低秩矩阵与稀疏分解(LRSD)能够分解出高维数据中反应本质的低秩矩阵数据,且不受到稀疏噪声影响的优点,本章提出了一种基于低秩矩阵与稀疏分解和主元分析(LRSD-PCA)故障检测方法。首先,应用低秩矩阵与稀疏分解(LRSD)提取出高维数据中的低秩数据。其次,利用低秩矩阵与稀疏分解(LRSD)算法得到的低秩数据,建立主元分析模型。最后,通过一个数值仿真例子和TE仿真数据,结果表明该算法是有效的。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
田纳西伊斯曼过程论文参考文献
[1].姜义.基于Ethernet/IP的分布式田纳西伊斯曼过程控制系统仿真与数据集生成[J].化学工程与装备.2018
[2].吴卓卓.基于田纳西—伊斯曼过程故障检测方法研究[D].华东交通大学.2016
[3].边双微.田纳西—伊斯曼化工过程的故障诊断[D].华中科技大学.2011
[4].田文德,孙素莉,汪海.田纳西-伊斯曼过程故障特性仿真[J].青岛科技大学学报(自然科学版).2009