本文關(guān)鍵詞：基于組合KPCA與改進(jìn)ELM的工業(yè)過程故障診斷研究

  更多相關(guān)文章： 故障特征提取 故障分類 多變量統(tǒng)計(jì)方法 極限學(xué)習(xí)機(jī) 故障診斷

【摘要】：隨著科學(xué)技術(shù)的發(fā)展,現(xiàn)代工業(yè)生產(chǎn)過程的復(fù)雜程度越來越高,系統(tǒng)中任何一個(gè)微小的環(huán)節(jié)出現(xiàn)異常,就可能導(dǎo)致整個(gè)系統(tǒng)的崩潰。因此,在現(xiàn)代工業(yè)生產(chǎn)過程中,如何采取有效措施保障系統(tǒng)運(yùn)行的安全性和可靠性,并對工業(yè)過程進(jìn)行有效監(jiān)控,已成為亟待解決的問題�；谏鲜鲈�,對工業(yè)過程進(jìn)行故障診斷也就變得越來越重要。本文以田納西-伊斯曼(TE)化工過程為背景,利用基于數(shù)據(jù)的方法圍繞工業(yè)過程故障診斷問題展開研究。在故障診斷中,故障特征提取和分類是重要的兩個(gè)部分,針對工業(yè)過程數(shù)據(jù)非線性和對實(shí)時(shí)性要求高等特點(diǎn),從故障特征提取和分類兩個(gè)方面對已有的算法進(jìn)行分析和改進(jìn),并最終應(yīng)用到TE過程故障診斷中。本文的工作主要包括以下幾個(gè)方面:(1)對于故障特征提取,利用多變量統(tǒng)計(jì)方法進(jìn)行處理。首先對基于PCA的特征提取方法進(jìn)行了說明;針對PCA在提取工業(yè)過程非線性數(shù)據(jù)特征信息的缺陷,引入了KPCA方法;針對傳統(tǒng)KPCA方法在進(jìn)行高維映射時(shí)采用單一核函數(shù)的局限性,提出了一種基于核函數(shù)組合的改進(jìn)KPCA方法,即將高斯徑向基核函數(shù)與多項(xiàng)式核函數(shù)進(jìn)行加權(quán)作為新的核函數(shù),改進(jìn)的特征提取方法同時(shí)具備全局核函數(shù)與局部核函數(shù)的優(yōu)勢,有更強(qiáng)的學(xué)習(xí)和泛化能力。然后,將三種統(tǒng)計(jì)分析方法應(yīng)用到TE過程故障檢測上,利用檢測結(jié)果對三種方法的特征提取能力進(jìn)行評估,驗(yàn)證了組合KPCA方法特征提取的有效性與優(yōu)越性。(2)對于分類方法,由于工業(yè)過程對實(shí)時(shí)性要求較高,針對傳統(tǒng)分類方法速度上的不足,本文引入了速度極快的極限學(xué)習(xí)機(jī)(ELM)算法。更進(jìn)一步,由于傳統(tǒng)極限學(xué)習(xí)機(jī)的輸入權(quán)值W和隱層偏置b是隨機(jī)選取的,這可能導(dǎo)致ELM的神經(jīng)網(wǎng)絡(luò)模型輸出矩陣H不滿足列滿秩,使得模型的分類精度和運(yùn)算速度出現(xiàn)下降。針對傳統(tǒng)ELM的這一缺陷,本文提出了一種改進(jìn)的ELM算法,在隨機(jī)選取輸入權(quán)值和隱層偏置的基礎(chǔ)上對權(quán)值和偏置進(jìn)行調(diào)整,從理論上保證輸出矩陣列滿秩的特性。將ELM和改進(jìn)ELM在UCI數(shù)據(jù)集上進(jìn)行了性能測試,結(jié)果表明改進(jìn)ELM具有更好的分類效果和穩(wěn)定性。(3)將組合KPCA和改進(jìn)ELM結(jié)合起來構(gòu)建故障診斷模型,用組合KPCA對數(shù)據(jù)進(jìn)行特征提取,得到數(shù)據(jù)的非線性主元,在一定程度上消除了變量之間的相關(guān)性,然后利用改進(jìn)ELM對故障進(jìn)行分類。將組合KPCA-SVM、組合KPCA-ELM、組合KPCA-改進(jìn)ELM三種方法應(yīng)用到TE過程故障診斷中,結(jié)果顯示組合KPCA-改進(jìn)ELM具有更好的診斷性能。
【關(guān)鍵詞】：故障特征提取 故障分類 多變量統(tǒng)計(jì)方法 極限學(xué)習(xí)機(jī) 故障診斷
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TQ02;TP18
【目錄】：

• 中文摘要3-5
• 英文摘要5-9
• 1 緒論9-17
• 1.1 課題研究的背景及意義9-10
• 1.2 故障診斷的概述及主要方法10-12
• 1.2.1 故障診斷概述10-11
• 1.2.2 故障診斷主要方法11-12
• 1.3 工業(yè)過程故障診斷12-14
• 1.3.1 工業(yè)過程的復(fù)雜性12
• 1.3.2 工業(yè)過程故障診斷特點(diǎn)12-13
• 1.3.3 工業(yè)過程故障診斷研究現(xiàn)狀13-14
• 1.4 本文的主要研究內(nèi)容及論文結(jié)構(gòu)14-17
• 2 田納西-伊斯曼工業(yè)過程描述17-25
• 2.1 TE工業(yè)過程工藝流程17-18
• 2.2 TE過程中的過程變量18-20
• 2.3 TE過程的故障說明20-22
• 2.4 TE過程數(shù)據(jù)集的產(chǎn)生22-23
• 2.5 本章小結(jié)23-25
• 3 基于多變量統(tǒng)計(jì)的故障特征提取方法研究25-53
• 3.1 主元分析方法27-33
• 3.1.1 主元分析方法基本原理27-31
• 3.1.2 主元分析中的統(tǒng)計(jì)量31-33
• 3.1.3 主元分析的特征提取方法在故障檢測中的應(yīng)用33
• 3.2 核主元分析方法33-38
• 3.2.1 核方法的基本原理34-35
• 3.2.2 核主元分析方法基本原理35-37
• 3.2.3 核主元分析統(tǒng)計(jì)量37-38
• 3.2.4 核主元分析的特征提取方法在故障檢測中的應(yīng)用38
• 3.3 基于核函數(shù)組合的改進(jìn)KPCA分析方法38-40
• 3.3.1 組合KPCA的研究思路38-39
• 3.3.2 組合KPCA的特征提取方法在故障檢測中的應(yīng)用39-40
• 3.4 基于統(tǒng)計(jì)分析方法的故障特征提取效果評價(jià)40
• 3.5 實(shí)驗(yàn)結(jié)果及分析40-50
• 3.5.1 基于PCA統(tǒng)計(jì)量的檢測結(jié)果40-43
• 3.5.2 基于KPCA統(tǒng)計(jì)量的檢測結(jié)果43-46
• 3.5.3 基于組合KPCA統(tǒng)計(jì)量的檢測結(jié)果46-49
• 3.5.4 檢測結(jié)果對比分析49-50
• 3.6 本章小結(jié)50-53
• 4 基于極限學(xué)習(xí)機(jī)及其改進(jìn)算法的分類方法研究53-65
• 4.1 極限學(xué)習(xí)機(jī)理論53-57
• 4.1.1 人工神經(jīng)網(wǎng)絡(luò)概述53-54
• 4.1.2 極限學(xué)習(xí)機(jī)原理分析54-57
• 4.2 傳統(tǒng)極限學(xué)習(xí)機(jī)的不足與改進(jìn)方法57-60
• 4.2.1 傳統(tǒng)極限學(xué)習(xí)機(jī)的缺陷57
• 4.2.2 改進(jìn)極限學(xué)習(xí)機(jī)的思路及理論推導(dǎo)57-59
• 4.2.3 改進(jìn)極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)模型的建立59-60
• 4.3 ELM和改進(jìn)ELM性能驗(yàn)證60-63
• 4.3.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集60-61
• 4.3.2 實(shí)驗(yàn)結(jié)果分析對比61-63
• 4.4 本章小結(jié)63-65
• 5 基于組合KPCA與改進(jìn)ELM的故障診斷研究65-75
• 5.1 故障診斷模型的建立65-66
• 5.1.1 組合KPCA和改進(jìn)ELM結(jié)合的可行性分析65
• 5.1.2 故障診斷模型的構(gòu)建65-66
• 5.2 基于組合KPCA與ELM的故障診斷仿真66-69
• 5.3 基于組合KPCA與改進(jìn)ELM的故障診斷仿真69-73
• 5.4 本章小結(jié)73-75
• 6 研究總結(jié)與展望75-77
• 6.1 研究工作總結(jié)75-76
• 6.2 研究工作展望76-77
• 致謝77-79
• 參考文獻(xiàn)79-83
• 附錄83
• A. 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文83
• B. 攻讀碩士學(xué)位期間申請的發(fā)明專利83
• C. 攻讀碩士學(xué)位期間參與的工程項(xiàng)目83

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 方瑩;;多角度的特征提取方法[J];鄭州輕工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年03期

2 周生祥,馮培恩,潘雙夏;材焊接結(jié)構(gòu)加工特征提取方法[J];浙江大學(xué)學(xué)報(bào)(自然科學(xué)版);1997年04期

3 王云鵬;刁智華;宋寅卯;王歡;;棉花葉部害螨病斑形態(tài)特征提取[J];鄭州輕工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年04期

4 徐瑞芬;;基于冗余提升形態(tài)小波的非對稱表面特征提取研究[J];機(jī)電工程;2012年08期

5 吳響;錢建生;王海燕;秦海初;;微震信號多尺度非線性特征提取與辨識(shí)研究[J];儀器儀表學(xué)報(bào);2014年05期

6 吳雅娟;徐亞軍;趙鵬;;分級特征提取在中子壽命深度校正中的應(yīng)用[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2014年03期

7 趙劍;許金濤;顧凌榕;;蛋白質(zhì)序列在頻率域上的一種特征提取方法[J];南京工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年06期

8 陶晨;印梅芬;王棟;;面料摩擦聲音特征提取[J];絲綢;2014年03期

9 李鵬;劉民;吳澄;;一種基于特征提取方法的智能預(yù)測算法[J];控制與決策;2007年12期

10 郭振鐸;劉洲峰;徐慶偉;朱永勝;;玻璃缺陷特征提取[J];中原工學(xué)院學(xué)報(bào);2010年02期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學(xué)芳;;人臉識(shí)別中特征提取的一種改進(jìn)方法[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

4 杜栓平;曹正良;;時(shí)間—頻率域特征提取及其應(yīng)用[A];2005年全國水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運(yùn)動(dòng)目標(biāo)的分割與特征提取[A];全國第二屆信號處理與應(yīng)用學(xué)術(shù)會(huì)議�？痆C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

7 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機(jī)械工程學(xué)會(huì)年會(huì)論文集[C];2005年

9 劉紅;陳光，

本文編號：1023679