【摘要】：故障診斷是工業(yè)過程監(jiān)控中的重要環(huán)節(jié),其目的是檢測異常行為并找出故障發(fā)生的根本原因。由于故障診斷可被視作是一個分類問題,已有的分類技術可以被應用于其上。為了找出故障發(fā)生的可能原因,一種可取的手段是采用特征選擇技術。本文著重針對化工過程數(shù)據(jù),研究“特征選擇+分類器”模型中的特征選擇方法。融合了特征選擇方法的模型不僅通過降維減少了分類器的訓練時間,還改善了分類器的診斷效果。本文的創(chuàng)新工作主要包括:(1)為處理非線性數(shù)據(jù),將高斯核支持向量機遞歸特征消除算法引入故障診斷中,提出了一種基于高斯核支持向量機遞歸特征消除的故障診斷模型。該模型的核心問題是核參數(shù)的選擇,本文對比三種參數(shù)優(yōu)化方法,得到最合適的參數(shù)。所提出的故障診斷模型改善了傳統(tǒng)診斷技術的性能。(2)依據(jù)同類數(shù)據(jù)有相似分布的性質,可以斷定在不同類中分布不同的特征包含了區(qū)分類別的重要信息。本文通過引入Kullback-Leibler(KL)散度來衡量兩個特征分布之間的差距,從而提出了一種基于KL散度特征選擇方法的故障診斷模型。該模型具有較好的診斷性能。(3)為檢測特征在正常與故障數(shù)據(jù)之間的差異性,本文提出了一種新的序列后向特征選擇方法。該方法計算不同特征子集的相異性來確定特征的重要性,從而得到與故障相關的特征。所提出的故障診斷模型在化工故障診斷中有較好的性能。上述的故障診斷模型均將特征選擇與支持向量機相結合,提高了故障診斷的性能。在Tennessee Eastman過程數(shù)據(jù)集上的實驗結果表明,所提出的三種故障診斷模型均改善了診斷性能,要優(yōu)于以往的故障診斷技術。特別地,以上的三種特征選擇方法都能找出與故障相關的特征。
【學位授予單位】：蘇州大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TQ050.7

【參考文獻】

相關期刊論文 前5條

1 毛勇;周曉波;夏錚;尹征;孫優(yōu)賢;;特征選擇算法研究綜述[J];模式識別與人工智能;2007年02期

2 王榮杰;胡清;;基于知識的故障診斷方法的發(fā)展現(xiàn)狀與展望[J];微計算機信息;2006年07期

3 毛勇,周曉波,皮道映,孫優(yōu)賢,WONG Stephen T.C.;Parameters selection in gene selection using Gaussian kernel support vector machines by genetic algorithm[J];Journal of Zhejiang University Science;2005年10期

4 汪鐳,周國興,吳啟迪;人工神經(jīng)網(wǎng)絡理論在控制領域中的應用綜述[J];同濟大學學報(自然科學版);2001年03期

5 黃啟明,錢宇,林偉璐,李秀喜;化工過程故障診斷研究進展[J];化工自動化及儀表;2000年03期

相關博士學位論文 前1條

1 李祥寶;基于廣義非負矩陣投影算法的故障檢測與診斷研究[D];上海交通大學;2014年

相關碩士學位論文 前1條

1 吳希軍;基于主元分析方法的空調系統(tǒng)傳感器故障診斷研究[D];燕山大學;2005年

本文編號：2788779