工業(yè)系統(tǒng)過(guò)程故障的存在常常會(huì)影響過(guò)程輸出的質(zhì)量，因此，準(zhǔn)確地診斷過(guò)程故障能夠有效提升過(guò)程輸出的質(zhì)量。然而工業(yè)系統(tǒng)過(guò)程模型的復(fù)雜性和較難獲得的特點(diǎn)卻為過(guò)程故障的診斷提出了不小的挑戰(zhàn)。同時(shí)，由于過(guò)程變量小偏移所導(dǎo)致得過(guò)程故障類間重疊的問(wèn)題，往往會(huì)降低故障“拒識(shí)”和“判別”過(guò)程的分類正確率，而且對(duì)于受重疊影響的非正態(tài)分布并且非線性可分的故障數(shù)據(jù)，傳統(tǒng)的基于核函數(shù)的模式分類算法已經(jīng)趨于失效。更為嚴(yán)重的是，當(dāng)歷史故障數(shù)據(jù)的類標(biāo)簽不可知時(shí)，沒(méi)有類標(biāo)簽這樣強(qiáng)形式的監(jiān)督信息的支持，模式分類算法的故障“判別”結(jié)果往往令人無(wú)法接受。 針對(duì)上述問(wèn)題，本文在總結(jié)前人優(yōu)秀算法的基礎(chǔ)上，利用數(shù)學(xué)分析方法，構(gòu)建合理模型，提出了一系列新的算法。對(duì)于故障數(shù)據(jù)滿足正態(tài)分布的情況，新算法RS能夠有效提升SVDD算法對(duì)重疊故障的“拒識(shí)”性能。仿真結(jié)果表明，最大提升高達(dá)到0.4260，由0.5519提升到0.9779，新算法PFDA能夠大幅提升FDA對(duì)重疊故障的“判別”性能，最大提升高達(dá)到46.83%，由52.65%提升到99.48%，以及新算法Relief F-KAKA能夠有效提升KSDA“判別”重疊故障的正確率。仿真結(jié)果表...

【文章頁(yè)數(shù)】：105 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
目錄
第一章 引言
    1.1 選題背景及問(wèn)題的提出
    1.2 選題意義
    1.3 文獻(xiàn)綜述
    1.4 論文內(nèi)容與技術(shù)路線
    1.5 本文的創(chuàng)新點(diǎn)
第二章 基于 Relief F 和 SVDD 的重疊新故障拒識(shí)研究
    2.1 問(wèn)題描述
    2.2 基本算法介紹
        2.2.1 Relief 和 Relief F 算法
        2.2.2 支持向量數(shù)據(jù)描述(SVDD)
    2.3 Relief F-SVDD(RS)算法研究
    2.4 模擬數(shù)據(jù)的產(chǎn)生
    2.5 驗(yàn)證方法
    2.6 驗(yàn)證與對(duì)比
        2.6.1 重疊故障構(gòu)建
        2.6.2 RS 算法的參數(shù)選擇
        2.6.3 RS 算法對(duì)組合內(nèi)兩個(gè)故障“調(diào)換”的適應(yīng)性研究
        2.6.4 不同重疊方式及不同變量相關(guān)關(guān)系對(duì) RS 算法性能的影響
        2.6.5 RS 算法與 SVDD 算法對(duì)比研究
    2.7 本章小結(jié)
第三章 基于主成分修整和 Fisher 判別分析的重疊故障判別研究
    3.1 問(wèn)題描述
    3.2 FDA 與 PCA 對(duì)比分析
        3.2.1 主成分分析(PCA)
        3.2.2 Fisher 判別分析(FDA)
    3.3 基于 PCA 修整的 FDA
    3.4 模擬數(shù)據(jù)的產(chǎn)生
    3.5 驗(yàn)證方法
    3.6 驗(yàn)證與對(duì)比
        3.6.1 重疊故障構(gòu)建
        3.6.2 PFDA 算法的參數(shù)選擇
        3.6.3 不同重疊方式和不同變量相關(guān)關(guān)系對(duì) PFDA 算法性能的影響
        3.6.4 窗口寬度 對(duì) PFDA 算法性能影響研究
        3.6.5 PFDA 算法與 KSDA 和 FDA 算法對(duì)比研究
    3.7 本章小結(jié)
第四章 基于核函數(shù)優(yōu)化的故障數(shù)據(jù)判別研究
    4.1 問(wèn)題描述
    4.2 相關(guān)算法介紹
        4.2.1 核函數(shù)方法
        4.2.2 兩種基于數(shù)據(jù)構(gòu)建核函數(shù)的方法比較
        4.2.3 Kernel alignment 與 Fisher 準(zhǔn)則比較
        4.2.4 KFDA 與 KSDA
    4.3 新算法的介紹
    4.4 模擬數(shù)據(jù)的產(chǎn)生
    4.5 驗(yàn)證方法
    4.6 驗(yàn)證與對(duì)比
        4.6.1 非正態(tài)且非線性可分的故障數(shù)據(jù)產(chǎn)生
        4.6.2 KAKA 算法的參數(shù)選擇
        4.6.3 KAKA 算法對(duì)沒(méi)有重疊的非正態(tài)且非線性可分故障的判別
        4.6.4 KAKA 算法對(duì)存在重疊的非正態(tài)且非線性可分故障的判別
        4.6.5 Relief F-KAKA 算法對(duì)存在較嚴(yán)重重疊且滿足正態(tài)分布故障的判別
        4.6.6 KAKA 算法與 KSDA 算法對(duì)比研究
        4.6.7 Relief F-KAKA 算法與 KSDA 算法對(duì)比研究
    4.7 本章小結(jié)
第五章 基于邊信息核函數(shù)優(yōu)化的故障數(shù)據(jù)判別研究
    5.1 問(wèn)題描述
    5.2 相關(guān)算法介紹
        5.2.1 模糊聚類算法(FCM)
        5.2.2 兩種核化模糊聚類算法(KFCM)
    5.3 新算法的介紹
        5.3.1 基于邊信息的核函數(shù)優(yōu)化的目標(biāo)函數(shù)構(gòu)建
        5.3.2 基于邊信息的核函數(shù)優(yōu)化流程
    5.4 模擬數(shù)據(jù)的產(chǎn)生
    5.5 驗(yàn)證方法
    5.6 驗(yàn)證與對(duì)比
        5.6.1 非正態(tài)且非線性可分的故障數(shù)據(jù)產(chǎn)生
        5.6.2 SKK 算法的參數(shù)選擇
        5.6.3 SKK 算法對(duì)沒(méi)有重疊的非正態(tài)且非線性可分故障的判別
        5.6.4 SKK 算法對(duì)存在重疊的非正態(tài)且非線性可分故障的判別
        5.6.5 SKK 算法與 KFCM-F+KSDA 算法對(duì)比研究
    5.7 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
博士期間項(xiàng)目參與及學(xué)術(shù)成果
附錄
致謝



本文編號(hào)：3857421