本文關(guān)鍵詞：基于支持向量機的田納西化工過程故障診斷研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著計算機技術(shù)的發(fā)展以及自動化技術(shù)在工業(yè)生產(chǎn)過程中的應(yīng)用,現(xiàn)代化生產(chǎn)過程日益復(fù)雜化,一旦發(fā)生異常狀況不能及時處理,不僅會造成系統(tǒng)性能變差、經(jīng)濟上的巨大損失,還可能引起嚴(yán)重的災(zāi)難。因此,為保證生產(chǎn)過程的安全可靠,故障診斷技術(shù)是必不可少的。對于較難進行機理建模的復(fù)雜工業(yè)過程,根據(jù)現(xiàn)場獲得的數(shù)據(jù)來進行故障診斷是一個重要的研究領(lǐng)域。支持向量機(Support Vector Machine,SVM)方法具有較強的推廣能力,還具有能實現(xiàn)非線性映射、魯棒性強、避免局部最優(yōu)、限制過學(xué)習(xí)、操作易實現(xiàn)等優(yōu)點,因此,在故障診斷方面具有獨特的優(yōu)越性。本論文主要進行基于SVM的田納西--伊斯曼(Tennessee Eastman,TE)過程故障診斷方法的研究,它是一個著名的工業(yè)基準(zhǔn)過程,并且在最后提出了一種改進的基于SVM的TE過程故障診斷方法。文中的主要工作為:1.首先研究了基于SVM的TE過程故障診斷方法,并與基于偏最小二乘法(Partial Least Squares,PLS)的故障診斷方法進行對比分析。2.針對基于一般SVM的TE過程檢測方案的存儲量大、計算量大及運行時間長等不足,我首先研究了將粒子群算法(Particle Swarm Optimization,PSO)、遺傳算法(Genetic algorithm,GA)、網(wǎng)格尋優(yōu)法(Grid search,GS)應(yīng)用到SVM分類器中時,SVM分類器的診斷性能變化情況。隨后又研究了對原始數(shù)據(jù)進行預(yù)處理,即進行歸一化處理及采用主元分析法(Principal component analysis,PCA)進行數(shù)據(jù)降維時,SVM分類器對TE過程進行故障診斷效果的變化情況。從而提出了整合了GS-PCA的基于SVM的TE過程故障診斷方法,和其他基于SVM的診斷方案相比,通過仿真實驗可得該方法在分類準(zhǔn)確度和運行效率上都有很強的優(yōu)勢。
【關(guān)鍵詞】：故障診斷 田納西--伊斯曼過程 支持向量機 主元分析法 網(wǎng)格尋優(yōu)
【學(xué)位授予單位】：渤海大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TQ02;TP18
【目錄】：

• 摘要4-5
• ABSTRACT5-10
• 1 緒論10-16
• 1.1 課題研究的背景及意義10-11
• 1.2 故障診斷技術(shù)介紹11-14
• 1.2.1 基于解析模型的故障診斷法13
• 1.2.2 基于知識的故障診斷法13-14
• 1.2.3 基于數(shù)據(jù)驅(qū)動的故障診斷法14
• 1.3 基于SVM的故障診斷方法的概述14-15
• 1.4 本文主要內(nèi)容15-16
• 2 田納西--伊斯曼過程16-22
• 2.1 TE過程簡介16-18
• 2.2 TE過程數(shù)據(jù)簡介18-20
• 2.3 小結(jié)20-22
• 3 基于SVM的TE過程故障檢測研究22-34
• 3.1 SVM的工作原理22-26
• 3.1.1 SVM線性分類的工作原理22-24
• 3.1.2 廣義最優(yōu)分類超平面24-25
• 3.1.3 推廣到高維空間--核函數(shù)25-26
• 3.2 基于SVM的分類器建立26-28
• 3.2.1 基于SVM的分類器建立的基本過程26-27
• 3.2.2 高斯RBF核函數(shù)27
• 3.2.3 交叉驗證方法27-28
• 3.3 基于SVM的TE過程故障檢測28-33
• 3.3.1 基于SVM的故障檢測原理28
• 3.3.2 基于PLS的故障檢測原理28-29
• 3.3.3 基于SVM及PLS的TE過程的故障檢測仿真結(jié)果和對比29-33
• 3.4 本章小結(jié)33-34
• 4 一種改進的基于SVM的TE過程故障診斷方法34-44
• 4.1 輸入數(shù)據(jù)處理34-36
• 4.1.1 歸一化處理34-35
• 4.1.2 用主元分析法降維35-36
• 4.2 尋優(yōu)算法的選擇36-40
• 4.2.1 網(wǎng)格尋優(yōu)法簡介36-37
• 4.2.2 遺傳算法簡介37-38
• 4.2.3 粒子群算法簡介38
• 4.2.4 幾種尋優(yōu)算法仿真效果比較38-40
• 4.3 一種改進的基于SVM故障診斷方法40-42
• 4.3.1 TE過程故障診斷過程簡介40
• 4.3.2 TE過程模型故障診斷結(jié)果及分析40-42
• 4.4 本章小結(jié)42-44
• 總結(jié)與展望44-46
• 參考文獻46-52
• 發(fā)表論文情況52-54
• 致謝54-55

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 賈嘉;故障診斷技術(shù)在生產(chǎn)中的應(yīng)用[J];新疆石油學(xué)院學(xué)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(shù);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(xué)學(xué)報(自然科學(xué)版);2002年03期

4 茍永明;測試與故障診斷技術(shù)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(shù)理論與發(fā)展趨勢及其在石化領(lǐng)域的應(yīng)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(shù)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(shù)及其在冶金設(shè)備中的應(yīng)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(shù)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(jù)庫 前10條

1 楊其校;劉昭度;齊志權(quán);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(xué)術(shù)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(xué)術(shù)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(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

4 李t

本文編號：273282