本文關鍵詞：基于極限學習機的復雜工業(yè)過程故障識別研究及應用，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著現(xiàn)代工業(yè)的飛速發(fā)展,如何在保持高效生產(chǎn)的同時保證工業(yè)過程的安全性與可靠性成為一個關鍵問題,而故障識別是其中非常重要的一環(huán)。由于海量的工業(yè)過程數(shù)據(jù)得以保存,基于數(shù)據(jù)驅(qū)動的工業(yè)過程故障識別技術受到廣泛關注并有著大量成功的應用。神經(jīng)網(wǎng)絡方法是基于數(shù)據(jù)驅(qū)動方式的一種,為解決傳統(tǒng)神經(jīng)網(wǎng)絡方法訓練時間長、易陷入局部極小的問題,本文提出了基于極限學習機(ELM)的故障識別方法,并在原始算法的基礎上加以優(yōu)化,利用工業(yè)數(shù)據(jù)進行仿真驗證,得到了良好的故障識別效果,兼具訓練速度快、故障識別準確率高的特點。本文的主要研究工作和成果包括以下幾個方面：1)針對工業(yè)過程數(shù)據(jù)維數(shù)高、干擾噪聲嚴重,以及ELM分類算法存在分類結果不穩(wěn)定且分類準確率較低的問題,將主元分析方法(PCA)與極限學習機相結合,利用PCA對過程數(shù)據(jù)進行預處理,去除數(shù)據(jù)中的噪聲與冗余信息,提出PCA-ELM分類算法,該算法在保持了快速的訓練速度的同時大幅度提高了分類準確率,分類結果穩(wěn)定性也得到提升。2)為了提升PCA-ELM分類算法的分類準確率,利用ELM分類算法的結構特點重新設計面向多分類任務的分類器,提出基于單分類方式的ELM優(yōu)化分類算法(One-Class-PCA-ELM)。該算法將訓練數(shù)據(jù)按各個單類進行分割與整合并分別建立模型,各個單類的特征信息充分地包含在相應的單類模型上,從而能夠更加有效準確地對待分類數(shù)據(jù)進行類別匹配。仿真結果表明,One-Class-PCA-ELM分類算法同樣保持了極快的訓練速度,顯著提高了分類準確率。此外,針對One-Class-PCA-ELM分類算法分類過程中存在異常分類的問題,對其加以優(yōu)化與改進,以進一步提高分類準確率,仿真試驗表明算法效果比較理想。3)將各類基于ELM的分類算法應用于核電站反應堆冷卻劑系統(tǒng)(RCP)的故障識別仿真試驗以驗證算法的有效性,重點研究了本文提出的One-Class-PCA-ELM分類算法及其優(yōu)化分類算法的故障識別性能。仿真結果表明,Improved-One-Class-PCA-ELM分類算法在RCP系統(tǒng)故障識別中取得了良好的故障識別效果,兼具訓練速度快、故障識別準確率高的特點,算法有效、可行。
【關鍵詞】：故障識別 數(shù)據(jù)驅(qū)動 極限學習機 單分類建模 主元分析
【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】：TP277;TP181
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-11
• 第1章 緒論11-15
• 1.1 引言11
• 1.2 復雜工業(yè)過程監(jiān)控與故障識別研究現(xiàn)狀11-12
• 1.3 極限學習機研究現(xiàn)狀12-13
• 1.4 論文的主要研究內(nèi)容及結構安排13-15
• 第2章 基于ELM的復雜工業(yè)過程故障識別15-27
• 2.1 引言15
• 2.2 極限學習機基本原理15-17
• 2.3 基于ELM的分類算法17-18
• 2.4 仿真實例18-25
• 2.4.1 TE過程簡介18-19
• 2.4.2 基于ELM的TE過程故障識別仿真19-22
• 2.4.3 ELM分類算法與SVM分類算法性能比較22-25
• 2.5 本章小結25-27
• 第3章 基于PCA-ELM的復雜工業(yè)過程故障識別27-37
• 3.1 引言27
• 3.2 主成分分析27-28
• 3.3 基于PCA-ELM的分類算法28-29
• 3.4 仿真實例29-35
• 3.4.1 基于PCA-ELM的TE過程故障識別仿真29-31
• 3.4.2 PCA-ELM分類算法與ELM分類算法性能比較31-33
• 3.4.3 PCA-ELM分類算法與PCA-SVM分類算法性能比較33-35
• 3.5 本章小結35-37
• 第4章 基于單分類優(yōu)化PCA-ELM的復雜工業(yè)過程故障識別37-59
• 4.1 引言37
• 4.2 單分類故障識別方式37-39
• 4.3 基于One-Class-PCA-ELM的分類算法39-44
• 4.4 基于Improved-One-Class-PCA-ELM的分類算法44-48
• 4.5 仿真實例48-57
• 4.5.1 基于One-Class-PCA-ELM的TE過程故障識別仿真48-52
• 4.5.2 基于Improved-One-Class-PCA-ELM的TE過程故障識別仿真52-57
• 4.6 本章小結57-59
• 第5章 核電站反應堆冷卻劑系統(tǒng)故障識別仿真應用59-71
• 5.1 核電站反應堆冷卻劑系統(tǒng)(RCP)簡介59-61
• 5.1.1 核電站總體介紹59-60
• 5.1.2 核電站反應堆冷卻劑系統(tǒng)介紹60-61
• 5.1.3 故障數(shù)據(jù)集選取61
• 5.2 核電站反應堆冷卻劑系統(tǒng)故障識別仿真應用61-70
• 5.2.1 基于ELM與PCA-ELM的核電站RCP系統(tǒng)故障識別仿真應用61-65
• 5.2.2 基于One-Class-PCA-ELM及其優(yōu)化算法的核電站RCP系統(tǒng)故障識別仿真應用65-69
• 5.2.3 仿真應用結果對比與分析69-70
• 5.3 本章小結70-71
• 第6章 總結與展望71-73
• 6.1 本文總結71-72
• 6.2 研究展望72-73
• 參考文獻73-81
• 在學期間取得的科研成果81-82
• 作者簡介82

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 肖涵;李友榮;呂勇;;非趨勢波動分析及其在齒輪故障識別中的應用[J];煤礦機械;2008年07期

2 謝慧敏;;淺析電機故障識別及診斷[J];電子制作;2014年05期

3 白士紅,徐明,岳國勝;灰色系統(tǒng)關聯(lián)分析在故障識別中的應用[J];沈陽航空工業(yè)學院學報;2000年02期

4 李天恩;何楨;;基于主成分修整和線性判別分析的重疊故障識別[J];系統(tǒng)工程學報;2012年05期

5 屈梁生,史東鋒;機械診斷中的故障識別問題[J];設備管理&維修;1998年05期

6 許潔;胡壽松;;灰關聯(lián)分析在殲擊機操縱面故障識別中的應用[J];南京師范大學學報(工程技術版);2006年03期

7 扶碧波;方宗德;沈云波;;綜合應用小波包支持向量機直升機齒輪故障識別及實驗研究[J];機械科學與技術;2011年11期

8 譚曉棟;邱靜;劉冠軍;曾慶虎;苗強;;基于小波能譜熵-隱半馬爾可夫模型的故障識別方法及應用[J];機械科學與技術;2009年10期

9 孫京誥,李秋艷,楊欣斌,黃道;基于蟻群算法的故障識別[J];華東理工大學學報;2004年02期

10 李榮雨;楊小健;殷絢;;基于映射向量和加權Q貢獻圖的故障識別研究[J];化工自動化及儀表;2010年12期

中國重要會議論文全文數(shù)據(jù)庫 前5條

1 顧小軍;楊世錫;錢蘇翔;;基于支持向量機的旋轉機械多類故障識別研究[A];第二十六屆中國控制會議論文集[C];2007年

2 王啟志;王曉霞;;基于粗糙集理論的磨削燒傷故障識別[A];2007'中國儀器儀表與測控技術交流大會論文集（二）[C];2007年

3 司愛威;馮輔周;江鵬程;饒國強;王建;;基于可變風險SVM模型的故障識別方法研究[A];第十屆全國振動理論及應用學術會議論文集（2011）上冊[C];2011年

4 許潔;胡壽松;申忠宇;;殲擊機操縱面故障的灰色識別法[A];2005全國自動化新技術學術交流會論文集（三）[C];2005年

5 尹雪嬌;逄玉俊;王貴成;;一種基于蟻群算法的故障聚類新方法[A];第十九屆測控、計量、儀器儀表學術年會(MCMI'2009)論文集[C];2009年

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 肖涵;基于高斯混合模型與子空間技術的故障識別研究[D];武漢科技大學;2007年

2 金文;基于可拓性理論的設備故障診斷方法研究[D];沈陽工業(yè)大學;2008年

中國碩士學位論文全文數(shù)據(jù)庫 前9條

1 鄭進勇;基于FTA-SVM的車輛發(fā)動機故障識別方法研究[D];河南科技大學;2015年

2 蔣丹;斷路器測試信號處理及故障識別方法研究[D];華北電力大學;2015年

3 裘日輝;基于極限學習機的復雜工業(yè)過程故障識別研究及應用[D];浙江大學;2016年

4 朱鵬飛;基于特征空間鄰域結構分析的故障識別方法[D];哈爾濱工業(yè)大學;2011年

5 李嚴;基于聯(lián)想記憶神經(jīng)網(wǎng)絡的故障識別[D];燕山大學;2012年

6 李曼;基于機器學習的故障識別方法與系統(tǒng)研制[D];北京交通大學;2015年

7 張立家;基于全矢譜的瞬態(tài)信號表征與故障識別研究[D];鄭州大學;2008年

8 彭鑫;基于稀疏矩陣的高爐故障識別研究[D];武漢科技大學;2014年

9 裴迅;區(qū)域保護故障識別算法及動作策略研究[D];華北電力大學;2014年

  本文關鍵詞：基于極限學習機的復雜工業(yè)過程故障識別研究及應用，由筆耕文化傳播整理發(fā)布。

，

本文編號：331228