本文關(guān)鍵詞：基于主元分析和支持向量回歸機的故障預(yù)測

  更多相關(guān)文章： 故障預(yù)測 主元分析 支持向量機 TE過程 間歇式反應(yīng)釜

【摘要】：故障診斷是工業(yè)生產(chǎn)過程的一個重要方面,但是現(xiàn)代工業(yè)的系統(tǒng)復(fù)雜性對故障診斷提出了新的要求,傳統(tǒng)的基于數(shù)學(xué)模型的故障診斷技術(shù)變得不再實用,而基于數(shù)據(jù)驅(qū)動的故障診斷技術(shù),受到人們越來越多的關(guān)注,本文在基于數(shù)據(jù)驅(qū)動的故障診斷基礎(chǔ)上提出了PCA-SVR故障預(yù)測模型,對故障發(fā)展的趨勢進行預(yù)測。 首先,本文針對傳統(tǒng)的PCA多變量監(jiān)控方法,提出了將傳統(tǒng)的Hotelling's T2統(tǒng)計量和Q統(tǒng)計量結(jié)合起來,用于故障預(yù)測,這不僅避免了單純使用兩者中的一種故障檢測指標(biāo)時可能造成的故障漏報的情況,同時簡化了故障預(yù)測模型。 其次,本文提出了將移動時間窗支持向量回歸機用于故障預(yù)測,支持向量機在解決小樣本和非線性方面具有優(yōu)勢,而故障發(fā)生時故障數(shù)據(jù)是有限的,監(jiān)控指標(biāo)是非線性變化的,這使得支持向量機成為故障預(yù)測的首選工具。移動時間窗的方法對支持向量機的訓(xùn)練數(shù)據(jù)實時更新,不僅可以有效利用新數(shù)據(jù)的實時信息,同時還可以減小訓(xùn)練數(shù)據(jù)的規(guī)模,從而縮短支持向量機的模型建立時間和減小計算量。 最后,本文將提出的PCA-SVR模型用于TE仿真過程和實際的間歇式反應(yīng)釜中,仿真結(jié)果和間歇式反應(yīng)釜的應(yīng)用結(jié)果表明,基于PCA-SVR故障預(yù)測模型可以很好的跟蹤預(yù)測TE過程和間歇式反應(yīng)釜故障發(fā)展變化趨勢。
【關(guān)鍵詞】：故障預(yù)測 主元分析 支持向量機 TE過程 間歇式反應(yīng)釜
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：TH165.3;TP18
【目錄】：

• 摘要4-5
• Abstract5-6
• 目錄6-8
• 1 緒論8-16
• 1.1 選題背景及研究意義8-9
• 1.2 故障診斷研究現(xiàn)狀9-14
• 1.2.1 定性分析方法9-11
• 1.2.2 定量分析方法11-14
• 1.3 本文結(jié)構(gòu)14-16
• 2 小波去噪16-20
• 2.1 小波變換16-17
• 2.2 小波去噪原理17-18
• 2.3 常用的小波基函數(shù)18-19
• 2.4 小波去噪評價標(biāo)準(zhǔn)19-20
• 3 基于主元分析的過程監(jiān)控原理20-25
• 3.1 主元分析原理20-21
• 3.2 基于主元分析的故障診斷21-25
• 3.2.1 監(jiān)控指標(biāo)21-22
• 3.2.2 主元的選取22-25
• 4 移動時間窗支持向量機的原理25-32
• 4.1 支持向量機原理及算法25-28
• 4.1.1 最優(yōu)分類超平面25-26
• 4.1.2 線性支持向量機26-27
• 4.1.3 非線性支持向量機27-28
• 4.2 支持向量回歸機算法28-30
• 4.3 移動時間窗支持向量回歸機算法30
• 4.4 基于PCA-SVR故障預(yù)測模型30-32
• 5 基于PCA-SVR故障預(yù)測的TE過程仿真32-46
• 5.1 TE過程32-35
• 5.2 實驗仿真35-46
• 5.2.1 數(shù)據(jù)處理36-38
• 5.2.2 主元監(jiān)控模型的建立38-40
• 5.2.3 故障檢測40-41
• 5.2.4 故障預(yù)測41-46
• 6 基于PCA-SVR的間歇式反應(yīng)釜故障預(yù)測46-55
• 6.1 間歇反應(yīng)及其裝置46-48
• 6.1.1 間歇反應(yīng)46-47
• 6.1.2 實驗室間歇式反應(yīng)釜簡介47-48
• 6.2 實驗仿真48-55
• 6.2.1 數(shù)據(jù)處理49
• 6.2.2 主元模型的建立49-50
• 6.2.3 故障檢測50-51
• 6.2.4 故障預(yù)測51-55
• 結(jié)論55-57
• 參考文獻57-61
• 致謝61-62

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 郝麗娜,王偉,吳光宇,王宛山;粗糙集-神經(jīng)網(wǎng)絡(luò)故障診斷方法研究[J];東北大學(xué)學(xué)報;2003年03期

2 王洪江;孫保民;田進步;;定性仿真在鍋爐狀態(tài)監(jiān)控和故障診斷中的應(yīng)用[J];工程熱物理學(xué)報;2007年01期

3 高淑芝;高憲文;王介生;費鵬程;;基于改進差別矩陣屬性約簡的聚合釜粗糙集-神經(jīng)網(wǎng)絡(luò)故障診斷[J];化工學(xué)報;2011年03期

4 龔瑞昆;馬亮;趙延軍;楊萍萍;陳磊;;基于量子神經(jīng)網(wǎng)絡(luò)信息融合的變壓器故障診斷[J];電力系統(tǒng)保護與控制;2011年23期

5 邵晨曦;張俊濤;范金鋒;白方周;;基于定性定量知識的故障診斷[J];計算機工程;2006年06期

6 臧玉萍;張德江;王維正;;基于小波變換技術(shù)的發(fā)動機異響故障診斷[J];機械工程學(xué)報;2009年06期

7 郝麗娜,徐心和;粗糙集神經(jīng)網(wǎng)絡(luò)系統(tǒng)在故障診斷中的應(yīng)用[J];控制理論與應(yīng)用;2001年05期

8 朱大奇;劉永安;;故障診斷的信息融合方法[J];控制與決策;2007年12期

9 宋其江;徐敏強;王日新;;模糊概率SDG模型及故障推理方法[J];控制與決策;2009年05期

10 劉強;柴天佑;秦泗釗;趙立杰;;基于數(shù)據(jù)和知識的工業(yè)過程監(jiān)視及故障診斷綜述[J];控制與決策;2010年06期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 胡友強;數(shù)據(jù)驅(qū)動的多元統(tǒng)計故障診斷及應(yīng)用[D];重慶大學(xué);2010年

2 郭明;基于數(shù)據(jù)驅(qū)動的流程工業(yè)性能監(jiān)控與故障診斷研究[D];浙江大學(xué);2004年

3 何寧;基于ICA-PCA方法的流程工業(yè)過程監(jiān)控與故障診斷研究[D];浙江大學(xué);2004年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 鄒向琪;間歇式反應(yīng)釜溫度控制系統(tǒng)故障診斷研究[D];大連理工大學(xué);2010年

2 齊瑞勤;遺傳算法在間歇式反應(yīng)釜故障診斷中的應(yīng)用[D];大連理工大學(xué);2011年

3 楊飛;基于多元統(tǒng)計分析的故障診斷算法研究[D];東北大學(xué);2009年

4 朱廷峰;模糊控制在間歇式反應(yīng)釜上的應(yīng)用研究[D];大連理工大學(xué);2006年

5 吳勇;基于小波的信號去噪方法研究[D];武漢理工大學(xué);2007年

6 張新榮;基于PCA的連續(xù)過程性能監(jiān)控與故障診斷研究[D];江南大學(xué);2008年

7 尚啟英;間歇式反應(yīng)釜的故障診斷及容錯控制設(shè)計[D];大連理工大學(xué);2008年

，

本文編號：650324