本文關(guān)鍵詞：基于改進(jìn)極限學(xué)習(xí)機(jī)的復(fù)雜工業(yè)過程故障預(yù)測方法應(yīng)用研究

  更多相關(guān)文章： 故障預(yù)測 特征提取 核主元分析 極限學(xué)習(xí)機(jī)

【摘要】：現(xiàn)代工業(yè)生產(chǎn)技術(shù)發(fā)展迅速,對(duì)生產(chǎn)要求也逐步提高,生產(chǎn)系統(tǒng)也逐漸向大規(guī)模化、復(fù)雜化、智能化和數(shù)字化發(fā)展。生產(chǎn)設(shè)備之間互相關(guān)聯(lián),耦合度高,使得復(fù)雜系統(tǒng)故障特征呈現(xiàn)不確定性、非線性等特征。為了確保復(fù)雜工業(yè)系統(tǒng)正常進(jìn)行,除了基于傳統(tǒng)的故障診斷技術(shù),還要求在故障發(fā)生前能夠進(jìn)行故障預(yù)測。故障預(yù)測技術(shù)是一種更先進(jìn)的安全保障技術(shù),現(xiàn)已逐步成為各個(gè)生產(chǎn)領(lǐng)域的研究重點(diǎn)。為此,本課題針對(duì)復(fù)雜系統(tǒng)的數(shù)據(jù)特征處理、神經(jīng)網(wǎng)絡(luò)建模、故障預(yù)測方法做了以下研究：(1)針對(duì)時(shí)間序列數(shù)據(jù),本文重點(diǎn)研究實(shí)際生產(chǎn)系統(tǒng)中的過程變量變化的特征,提出差分向量核主元分析(Differential Vector Kernel Principal Component Analysis, DV-KPCA)的特征提取和重構(gòu)的方法。由于復(fù)雜系統(tǒng)的關(guān)系變量多,故障數(shù)據(jù)特征不明顯,通過DV-KPCA方法,將能夠利用核函數(shù)來解決復(fù)雜系統(tǒng)中的非線性映射問題,在高維空間中利用差分運(yùn)算,從而對(duì)數(shù)據(jù)進(jìn)行降維,最后達(dá)到消除冗余信息和特征提取的目的。(2)針對(duì)動(dòng)態(tài)系統(tǒng),本課題提出一種動(dòng)態(tài)建模方法。在極限學(xué)習(xí)機(jī)算法(Extreme Learning Machine, ELM)基礎(chǔ)之上,對(duì)ELM的結(jié)構(gòu)進(jìn)行改良,提出一種動(dòng)態(tài)遞歸極限學(xué)習(xí)機(jī)算法(Dynamic Recurrent ELM, DR-ELM), DR-ELM網(wǎng)絡(luò)在隱含層中增加了自反饋層,對(duì)隱含層輸出進(jìn)行記憶,通過計(jì)算自反饋層存儲(chǔ)的歷史信息的趨勢(shì)變化,動(dòng)態(tài)調(diào)整隱含層權(quán)值,使得DR-ELM具備對(duì)歷史數(shù)據(jù)信息處理和映射動(dòng)態(tài)特征的性能,提高模型的預(yù)測精度。(3)針對(duì)數(shù)據(jù)在線訓(xùn)練學(xué)習(xí)問題,本課題重點(diǎn)研究在線極限學(xué)習(xí)機(jī)(Online Sequential ELM, OS-ELM)方法。在OS-ELM的網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上繼續(xù)進(jìn)行改良,通過誤差反饋層和自反饋層的構(gòu)建,提出動(dòng)態(tài)遞歸在線極限學(xué)習(xí)機(jī)(Dynamic Recurrent OS-ELM, DROS-ELM)。DROS-ELM的誤差反饋層融合現(xiàn)場誤差信息,實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)根據(jù)實(shí)際誤差信息進(jìn)行動(dòng)態(tài)調(diào)整,保證故障預(yù)測模型的精度；自反饋層通過提取數(shù)據(jù)歷史變化趨勢(shì)的信息,調(diào)整隱含層的輸出,解決數(shù)據(jù)時(shí)延對(duì)系統(tǒng)精度的影響。最后本文為驗(yàn)證DROS-ELM的有效性,在TE過程上進(jìn)行故障預(yù)測實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,該方法能夠能保證較高的故障預(yù)測精度。本文的研究結(jié)果表明,采用DV-KPCA特征提取算法對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行特征提取和重構(gòu),能夠有效提升故障預(yù)測的效果。同時(shí)通過改進(jìn)極限學(xué)習(xí)算法,構(gòu)建基于DROS-ELM的復(fù)雜工業(yè)過程故障預(yù)測模型,能夠通過自反饋層計(jì)算趨勢(shì)變化信息,通過誤差反饋層提升故障預(yù)測的成功率,為故障預(yù)測方法提供了新的思路。
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP277;TP181

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 孫強(qiáng);岳繼光;;基于不確定性的故障預(yù)測方法綜述[J];控制與決策;2014年05期

2 彭宇;劉大同;;數(shù)據(jù)驅(qū)動(dòng)故障預(yù)測和健康管理綜述[J];儀器儀表學(xué)報(bào);2014年03期

3 唐勇波;桂衛(wèi)華;彭濤;歐陽偉;;PCA和KICA特征提取的變壓器故障診斷模型[J];高電壓技術(shù);2014年02期

4 徐圓;劉辛新;朱群雄;;化工過程可拓PCA故障診斷方法研究與應(yīng)用[J];計(jì)算機(jī)與應(yīng)用化學(xué);2013年11期

5 徐圓;劉瑩;朱群雄;;基于多元時(shí)滯序列驅(qū)動(dòng)的復(fù)雜過程故障預(yù)測方法應(yīng)用研究[J];化工學(xué)報(bào);2013年12期

6 高慧慧;賀彥林;彭荻;朱群雄;;基于數(shù)據(jù)屬性劃分的遞階ELM研究及化工應(yīng)用[J];化工學(xué)報(bào);2013年12期

7 周東華;魏慕恒;司小勝;;工業(yè)過程異常檢測、壽命預(yù)測與維修決策的研究進(jìn)展[J];自動(dòng)化學(xué)報(bào);2013年06期

8 蔣繼楠;;基于小波去噪和ELMAN神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測[J];能源與節(jié)能;2013年05期

9 李業(yè)波;李秋紅;王健康;黃向華;趙永平;;基于ImOS-ELM的航空發(fā)動(dòng)機(jī)傳感器故障自適應(yīng)診斷技術(shù)[J];航空學(xué)報(bào);2013年10期

10 馬倫;康建設(shè);孟妍;呂雷;;基于Morlet小波變換的滾動(dòng)軸承早期故障特征提取研究[J];儀器儀表學(xué)報(bào);2013年04期

，

本文編號(hào)：1205674