本文關鍵詞：基于統(tǒng)計學習的氣動調(diào)節(jié)閥故障診斷研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著現(xiàn)代工業(yè)生產(chǎn)規(guī)模的不斷擴大以及自動化程度的顯著提高,氣動調(diào)節(jié)閥在工業(yè)過程控制應用中越來越廣泛。作為控制回路的終端執(zhí)行機構,氣動調(diào)節(jié)閥常用于調(diào)節(jié)各種介質(zhì)的流量和壓力,在保持生產(chǎn)穩(wěn)定、過程安全以及優(yōu)化控制等方面起著至關重要的作用。因此,氣動調(diào)節(jié)閥故障診斷研究作為過程監(jiān)測系統(tǒng)的一個重要組成部分,對石化、食品等工業(yè)過程安全、穩(wěn)定、高效的生產(chǎn)有著十分重要的意義。本文基于統(tǒng)計學習的方法,對氣動調(diào)節(jié)閥的多類故障診斷進行了研究。本文的主要研究內(nèi)容如下：1、對氣動調(diào)節(jié)閥故障診斷算法的標準平臺DAMADICS(Development and Application of Methods for Actuator Diagnosis in Industrial Control Systems)進行了研究。通過學習DAMADICS平臺中氣動調(diào)節(jié)閥的仿真模型,實現(xiàn)了氣動調(diào)節(jié)閥多類故障的仿真模擬,解決了實際工業(yè)過程氣動調(diào)節(jié)閥故障數(shù)據(jù)不足的問題。2、將統(tǒng)計學習中比較熱門的支持向量機(Support Vector Machine, SVM)和極限學習機(Extreme Learning Machine, ELM)應用于氣動調(diào)節(jié)閥的多類故障診斷中�；贒AMADICS平臺的多類故障仿真數(shù)據(jù),比較了二種算法的診斷效果,結果表明ELM算法在模型訓練效率和模型預測精度上比SVM更適合于氣動調(diào)節(jié)閥的故障診斷應用。3、提出了稀疏貝葉斯極限學習機方法(Sparse Bayesian Extreme Learning Machine, SBELM),主要是將貝葉斯思想應用到ELM多分類問題上,用來訓練ELM多分類器的輸出權重,并且隱層參數(shù)像傳統(tǒng)的ELM算法一樣隨機生成,保留了原有ELM算法的特點和優(yōu)勢�；赟BELM訓練的模型通過預先設定的性能準則,可以逐步剔除重復或干擾的訓練樣本,因此能實現(xiàn)模型的稀疏性；并且能給出預測樣本的類別概率分布,對實際應用具有重要的參考意義�？紤]到工業(yè)故障診斷應用中對訓練模型大小的限制,進一步在SBELM模型的基礎上提出了對隱藏節(jié)點個數(shù)進行了稀疏的方法。最后分別將SBELM算法和隱層節(jié)點個數(shù)稀疏的SBELM算法應用到DAMADICS平臺的氣動調(diào)節(jié)閥故障診斷中,取得了較好的診斷效果。4、以波蘭Cukrownia制糖廠制糖工藝中控制稀糖汁進入第一個蒸發(fā)罐流程的氣動調(diào)節(jié)閥為實際故障診斷應用對象,分別利用SVM、ELM、SBELM算法對該氣動調(diào)節(jié)閥的三種實測故障數(shù)據(jù)進行了故障診斷,并比較了三種算法的診斷效果。結果表明,SBELM在預測精度和模型預測時間上效果較好,ELM的模型訓練速度較快,SVM表現(xiàn)一般。
【關鍵詞】：氣動調(diào)節(jié)閥 故障診斷 DAMADICS平臺 統(tǒng)計學習 極限學習機 貝葉斯極限學習機 稀疏性
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TH134;TP18
【目錄】：

• 致謝5-6
• 摘要6-8
• Abstract8-12
• 1 緒論12-20
• 1.1 研究背景及意義12-13
• 1.2 氣動調(diào)節(jié)閥故障診斷研究概述13-18
• 1.2.1 氣動調(diào)節(jié)閥簡介13-14
• 1.2.2 氣動調(diào)節(jié)閥常見故障14-16
• 1.2.3 氣動調(diào)節(jié)閥故障診斷研究現(xiàn)狀16-18
• 1.3 本文主要研究內(nèi)容18-20
• 2 DAMADICS平臺20-40
• 2.1 引言20
• 2.2 DAMADICS平臺氣動調(diào)節(jié)閥模型20-31
• 2.2.1 模型介紹21-24
• 2.2.2 故障概述24-29
• 2.2.3 故障仿真29-31
• 2.3 基于DAMADICS平臺的氣動調(diào)節(jié)閥故障診斷標準31-38
• 2.3.1 故障診斷標準定義32-35
• 2.3.2 故障診斷性能指標35-38
• 2.4 本章小結38-40
• 3 基于支持向量機與極限學習機的氣動調(diào)節(jié)閥故障診斷40-58
• 3.1 引言40-41
• 3.2 統(tǒng)計學習方法介紹41-50
• 3.2.1 支持向量機41-46
• 3.2.2 極限學習機46-50
• 3.3 基于統(tǒng)計學習的氣動調(diào)節(jié)閥故障診斷50-57
• 3.3.1 基于支持向量機的氣動調(diào)節(jié)閥故障診斷50-56
• 3.3.2 基于極限學習機的氣動調(diào)節(jié)閥故障診斷56-57
• 3.3.3 方法比較與討論57
• 3.4 本章小結57-58
• 4 基于貝葉斯極限學習機的氣動調(diào)節(jié)閥故障診斷58-76
• 4.1 引言58-59
• 4.2 稀疏性貝葉斯極限學習機59-67
• 4.2.1 SBELM模型59-62
• 4.2.2 模型稀疏性與樣本選擇62-64
• 4.2.3 模型預測概率分布64
• 4.2.4 應用仿真64-67
• 4.3 隱層節(jié)點個數(shù)稀疏性研究67-74
• 4.3.1 稀疏性回歸分析67-69
• 4.3.2 應用仿真69-74
• 4.4 本章小結74-76
• 5 工業(yè)應用76-82
• 5.1 引言76
• 5.2 制糖工藝及氣動調(diào)節(jié)閥76-77
• 5.3 故障診斷方法應用比較77-80
• 5.4 本章小結80-82
• 6 總結與展望82-84
• 6.1 工作總結82-83
• 6.2 研究展望83-84
• 參考文獻84-90
• 作者簡歷90-91
• 攻讀學位期間取得的研究成果91

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 李晗;蕭德云;;基于數(shù)據(jù)驅(qū)動的故障診斷方法綜述[J];控制與決策;2011年01期

2 靳建彬;王元欽;陳源;;基于遺傳算法的BP神經(jīng)網(wǎng)絡優(yōu)化策略研究[J];計算機與現(xiàn)代化;2010年09期

3 潘華賢;程國建;蔡磊;;極限學習機與支持向量機在儲層滲透率預測中的對比研究[J];計算機工程與科學;2010年02期

4 丁長云;;氣動調(diào)節(jié)閥的維護修理及故障處理[J];化學工程與裝備;2008年11期

5 張學工;關于統(tǒng)計學習理論與支持向量機[J];自動化學報;2000年01期

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 徐海祥;基于支持向量機方法的圖像分割與目標分類[D];華中科技大學;2005年

2 孫宗海;支持向量機及其在控制中的應用研究[D];浙江大學;2003年

3 李映;混合智能計算方法及其應用[D];西安電子科技大學;2002年

  本文關鍵詞：基于統(tǒng)計學習的氣動調(diào)節(jié)閥故障診斷研究，由筆耕文化傳播整理發(fā)布。

本文編號：281990