發(fā)布時間：2017-07-26 07:14

  本文關鍵詞：基于學習型案例推理的TE過程故障診斷方法研究

  更多相關文章： TE化工過程 故障診斷 案例推理(CBR) 學習型偽度量(LPM) 案例檢索

【摘要】：化工生產過程在國民經濟中占有非常的重要地位,在生產過程中,如果發(fā)生了故障卻不能及時地發(fā)現(xiàn)和排除,就會影響整個生產的進行,造成不必要的經濟損失,更嚴重的甚至威脅到人員和設備的安全,所以,化工過程的故障診斷和實時監(jiān)控具有非常重要的現(xiàn)實意義。案例推理(CBR)作為人工智能領域中一種新的問題求解與機器學習方法,在工業(yè)過程故障診斷領域的應用得到了廣泛關注。然而,在利用傳統(tǒng)CBR方法進行故障診斷時,案例檢索階段經常使用基于距離的相似性度量方法,由于這種度量方法存在兩個關鍵的科學問題,即如何合理分配各屬性的權重和如何避免陷入距離陷阱尚未完全解決。因此,本文在傳統(tǒng)CBR故障診斷模型基礎上,采用學習型偽度量(LPM)代替距離度量方法,構建一種基于LPM檢索的CBR故障診斷模型,并用Tennessee-Eastman(TE)化工過程進行實驗研究,主要工作如下:(1)針對CBR距離度量檢索方法存在權重分配難題以及容易陷入距離陷阱的問題,研究了一種基于BP神經網絡的LPM檢索方法,以代替?zhèn)鹘y(tǒng)的距離度量檢索方法。該方法通過定義學習型偽度量準則,對源案例進行重組后形成模式池,再利用模式池訓練BP神經網絡,使網絡逼近LPM準則,從而得到一種新的LPM案例檢索模型,為改進CBR故障診斷模型的建立打下了方法基礎。(2)針對TE化工過程的故障診斷問題,基于LPM檢索方法建立了一種改進的CBR故障診斷模型。該模型包括LPM案例檢索、案例重用、案例修正和案例存儲等四個部分。首先通過TE仿真模型構造故障診斷案例庫,然后,通過訓練BP神經網絡建立LPM模型,再利用LPM模型度量目標案例與每一個源案例的相似性,得到與目標案例相似的同類案例,接著采用多數(shù)重用原則從同類案例中決策出目標案例的故障診斷結果,最后采用基于實踐的案例修正方法對診斷結果進行確認和調整,并存儲修正后的案例,從而實現(xiàn)故障診斷的增量式學習過程。(3)開發(fā)了基于MATLAB、SQL Server和C#的TE化工過程故障診斷實驗平臺。該平臺用C#編制故障診斷系統(tǒng)的操作界面,歷史數(shù)據存放于SQL Server中,借助于C#調用MATLAB中的故障診斷程序,可以方便而直觀的觀察不同方法的故障診斷性能,并為進一步研究TE過程的故障診斷方法提供了一個驗證工具。
【關鍵詞】：TE化工過程 故障診斷 案例推理(CBR) 學習型偽度量(LPM) 案例檢索
【學位授予單位】：北京工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TQ02;TP18
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-17
• 1.1 研究背景和意義9-10
• 1.2 故障診斷方法研究現(xiàn)狀10-15
• 1.2.1 研究現(xiàn)狀10-13
• 1.2.2 問題分析13-15
• 1.3 本文主要工作和結構安排15-17
• 1.3.1 主要工作15-16
• 1.3.2 結構安排16-17
• 第2章 TE化工過程17-25
• 2.1 工藝流程描述17-20
• 2.2 故障劃分20-21
• 2.3 TE過程仿真環(huán)境21-24
• 2.4 小結24-25
• 第3章 學習型偽度量案例檢索方法25-31
• 3.1 引言25-26
• 3.2 學習型偽度量26-27
• 3.3 LPM案例檢索模型27-29
• 3.4 算法實現(xiàn)29
• 3.5 小結29-31
• 第4章 基于LPM-CBR的故障診斷方法31-41
• 4.1 引言31
• 4.2 傳統(tǒng)CBR故障診斷模型31-33
• 4.3 基于LPM的CBR故障診斷模型33-34
• 4.4 算法實現(xiàn)34
• 4.5 算法步驟34-35
• 4.6 性能測試35-40
• 4.6.1 實驗設計35-36
• 4.6.2 LPM模型穩(wěn)定性36-39
• 4.6.3 LPM-CBR模型魯棒性39
• 4.6.4 對比實驗39-40
• 4.7 小結40-41
• 第5章 TE過程障診斷實驗41-61
• 5.1 實驗平臺開發(fā)41-46
• 5.4.1 開發(fā)流程41-43
• 5.4.2 界面設計43-46
• 5.2 實驗設計46-48
• 5.3 性能評價48-49
• 5.3.1 穩(wěn)定性48
• 5.3.2 魯棒性48-49
• 5.4 對比實驗49-59
• 5.4.1 診斷準確率49-50
• 5.4.2 ROC分析50-59
• 5.5 小結59-61
• 結論61-62
• 參考文獻62-66
• 攻讀碩士學位期間所發(fā)表的學術論文66-67
• 致謝67

【相似文獻】

中國期刊全文數(shù)據庫 前10條

1 賈嘉;故障診斷技術在生產中的應用[J];新疆石油學院學報;2000年03期

2 潘松海;介紹一種故障診斷方法[J];組合機床與自動化加工技術;2001年06期

3 朱大奇,于盛林;基于知識的故障診斷方法綜述[J];安徽工業(yè)大學學報(自然科學版);2002年03期

4 茍永明;測試與故障診斷技術研討會舉行[J];冶金自動化;2004年04期

5 王春利;張衛(wèi)華;吳重光;;故障診斷技術理論與發(fā)展趨勢及其在石化領域的應用[J];石油化工自動化;2008年06期

6 臧大進;曹云峰;;故障診斷技術的研究現(xiàn)狀及展望[J];礦山機械;2010年18期

7 趙國瑞;武麗;薛光輝;劉宓;杜毅博;吳淼;;綜采工作面遠程狀態(tài)監(jiān)測與故障診斷研究現(xiàn)狀與發(fā)展趨勢[J];煤炭工程;2011年02期

8 盧敏;;故障診斷技術及其在冶金設備中的應用[J];重型機械;1987年02期

9 王恩鴻;開展故障診斷工作的現(xiàn)狀與建議[J];紡織機械;1994年04期

10 周東華,王桂增;第五講 故障診斷技術綜述[J];化工自動化及儀表;1998年01期

中國重要會議論文全文數(shù)據庫 前10條

1 楊其校;劉昭度;齊志權;馬岳峰;;汽車ABS電機故障診斷[A];第三屆全國信息獲取與處理學術會議論文集[C];2005年

2 黎清海;高慶;;基于系統(tǒng)分層的故障診斷方法[A];第三屆全國信息獲取與處理學術會議論文集[C];2005年

3 聞競競;黃道;;故障診斷方法綜述[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

4 李t，

本文編號：575218