發(fā)布時間：2020-12-19 13:45

　　隨著科技水平的發(fā)展以及人類生活對化工產(chǎn)品多樣化的需求,現(xiàn)代化工過程的生產(chǎn)規(guī)模與日俱增,生產(chǎn)過程更加趨于復(fù)雜化、自動化。自動化的生產(chǎn)過程雖然是人工智能進(jìn)步的體現(xiàn),但也加大了系統(tǒng)各個部分的耦合性,從而增加了系統(tǒng)發(fā)生故障的風(fēng)險。本文針對現(xiàn)代化工生產(chǎn)過程的特點(diǎn),提出一種將支持向量機(jī)（support vector machines,SVM）和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的信息融合故障診斷方法,將SVM和BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)的初步診斷結(jié)果作為證據(jù)體,再利用D-S（Dempster-Shafer）證據(jù)理論對兩個證據(jù)體進(jìn)行融合處理得到新的診斷結(jié)論。本文以TE（Tennessee Eastman）過程為研究對象,以TE過程中的數(shù)據(jù)為實(shí)驗(yàn)仿真數(shù)據(jù),主要完成了以下工作:（1）研究了主元分析（Principal Component Analysis,PCA）和 SVM 相結(jié)合的故障診斷方法。利用PCA對TE過程數(shù)據(jù)進(jìn)行故障特征提取,然后使用交叉驗(yàn)證的方法對SVM的參數(shù)進(jìn)行優(yōu)化,從而對TE過程進(jìn)行故障診斷。仿真結(jié)果表明,該法比單一的SVM法有更高的故障識別率,將這一方法的診斷結(jié)果作為D-S證據(jù)... 

【文章來源】：沈陽理工大學(xué)遼寧省

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

故障診斷方法的分類圖

２．１引言??ＴＥ過程是一個仿真系統(tǒng)，由ＴｅｎｅｓｓｅｅＥａｓｔｍａｎ公司的Ｄｏｗｎｓ等人根據(jù)當(dāng)時公??司的實(shí)際生產(chǎn)過程提出，其工藝流程見圖２．１。在過程系統(tǒng)工程領(lǐng)域的研究中，ＴＥ??過程是一個常用的標(biāo)準(zhǔn)問題，其較好地仿真了實(shí)際復(fù)雜工業(yè)過程系統(tǒng)的許多典型??特征，被廣泛應(yīng)用于故障診斷的研巧中，本文所使用的數(shù)據(jù)巧來自于ＴＥ過程。??２．２?ＴＥ過程的工芝流程??ＴＥ過程共有五個主要操作單元，它們分別是反應(yīng)器、冷凝器、分離器、壓縮??機(jī)和氣提塔，整個過程涉及從Ａ到Ｈ共８種成分，其中Ａ、Ｃ、Ｄ和Ｅ為氣體成??分，Ｂ為惰性成分，Ｇ和Ｈ為液態(tài)產(chǎn)物。ＴＥ過程的反應(yīng)過程是首先將氣體成分和??惰性成分放進(jìn)反應(yīng)器中，經(jīng)過一系列化學(xué)反應(yīng)后，會得到液態(tài)產(chǎn)物，而Ｆ則是得到??的副產(chǎn)品，它們之間的反應(yīng)如下式所示??Ａ（ｇ）＋Ｃ（ｇ）＋Ｄ（ｇ）－＞Ｇ（ｌｉｑ）??Ａ（ｇ）＋Ｃ（ｇ）＋Ｅ（ｇ）＾Ｈ（ｌｉｑ）??（２－１）??Ａ（ｇ）ｆＥ（ｇ）－＞Ｋｌｉｑ）??３Ｄ（ｇ）－＞２Ｆ（ｌｉｑ）??上式中標(biāo)有ｇ的表示該物質(zhì)是氣體成分

ＳＰＥ?＜Ｑａ么＝０、ｆａ吟顆?＋?１＋０九訴ａ?白＼?０１??ｙ?＝?ｌ，２，３），／ｉ＾＝ｌ－當(dāng)晏，Ｃ。是正太分布的（１００－ａ）％的＝ｋ＋＼?３句??于ＰＣＡ的故障檢測??ＰＣＡ的故障檢測流程圖如圖３．１所示，其基本策略是：獲得檢的樣本集，求取根據(jù)正常工況樣本集的主元并構(gòu)造主元子空間，ｒ２統(tǒng)計(jì)量設(shè)為正常狀態(tài)的控制限；將測試樣本或?qū)崟r采樣的信間并計(jì)算其統(tǒng)計(jì)量，若其超出了正常狀態(tài)的控制限，則認(rèn)為系綿無需了解系統(tǒng)的結(jié)構(gòu)和原理，建模簡單，易于實(shí)現(xiàn)Ｐ７Ｌ??開始?．??

【參考文獻(xiàn)】：
期刊論文
[1]基于EEMD形態(tài)譜和支持向量機(jī)復(fù)合的滾動軸承故障診斷方法[J]. 姜萬錄,鄭直,胡浩松.  工程科學(xué)學(xué)報. 2015(S1)
[2]基于布谷鳥算法和支持向量機(jī)的變壓器故障診斷[J]. 薛浩然,張珂珩,李斌,彭晨輝.  電力系統(tǒng)保護(hù)與控制. 2015(08)
[3]基于支持向量機(jī)的逆變電源故障診斷[J]. 王飛,金毅,黃細(xì)霞.  電測與儀表. 2015(05)
[4]基于EEMD和進(jìn)化支持向量機(jī)的齒輪混合智能診斷方法研究[J]. 肖成勇,石博強(qiáng),馮志鵬.  機(jī)械科學(xué)與技術(shù). 2015(01)
[5]基于模糊粗糙集和支持向量機(jī)的化工過程故障診斷[J]. 王鮮芳,王歲花,杜昊澤,王平.  控制與決策. 2015(02)
[6]基于優(yōu)化支持向量機(jī)的采煤機(jī)故障診斷技術(shù)[J]. 劉沖.  山東農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2015(01)
[7]基于改進(jìn)多尺度主元分析的故障監(jiān)測[J]. 李立,齊詠生,王林,高學(xué)金,王普.  計(jì)算機(jī)與應(yīng)用化學(xué). 2014(08)
[8]動態(tài)不確定因果圖在化工過程故障診斷中的應(yīng)用[J]. 楊佳婧,張勤,朱群雄.  智能系統(tǒng)學(xué)報. 2014(02)
[9]基于LMD邊際譜的柴油機(jī)氣門故障診斷[J]. 劉昱,張俊紅,畢鳳榮,林杰威,李維偉,魯鑫.  內(nèi)燃機(jī)工程. 2014(06)
[10]基于SVM和D-S證據(jù)理論的電力變壓器內(nèi)部故障部位識別[J]. 司馬莉萍,舒乃秋,李自品,黃勇,羅曉慶.  電力自動化設(shè)備. 2012(11)

博士論文
[1]基于特征提取與信息融合的工業(yè)過程監(jiān)測研究[D]. 童楚東.華東理工大學(xué) 2015
[2]基于支持向量機(jī)的汽輪機(jī)軸系振動故障智能診斷研究[D]. 張超.華北電力大學(xué)（河北） 2009
[3]基于支持向量機(jī)的水電機(jī)組故障診斷研究[D]. 鄒敏.華中科技大學(xué) 2007
[4]支持向量機(jī)在機(jī)器學(xué)習(xí)中的應(yīng)用研究[D]. 羅瑜.西南交通大學(xué) 2007

碩士論文
[1]SVM參數(shù)尋優(yōu)及其在分類中的應(yīng)用[D]. 徐曉明.大連海事大學(xué) 2014
[2]基于改進(jìn)T-PLS的化工過程故障診斷研究[D]. 薛永飛.蘭州理工大學(xué) 2014
[3]基于支持向量機(jī)的航空發(fā)動機(jī)故障診斷研究[D]. 李文杰.沈陽航空航天大學(xué) 2014
[4]TE過程故障診斷方法比較研究[D]. 張姮.沈陽理工大學(xué) 2014
[5]改進(jìn)支持向量機(jī)在故障診斷中的應(yīng)用[D]. 劉春衛(wèi).華東理工大學(xué) 2014
[6]基于改進(jìn)SOM算法的化工過程故障診斷研究[D]. 陳心怡.華東理工大學(xué) 2013
[7]基于人工神經(jīng)網(wǎng)絡(luò)的化工過程的故障診斷[D]. 谷雷.沈陽理工大學(xué) 2008
[8]混凝土輸送泵故障模糊診斷的研究[D]. 劉素梅.安徽農(nóng)業(yè)大學(xué) 2005



本文編號：2926006