论文部分内容阅读
随着现代工业和科学技术的迅速发展,传统的诊断技术已经远远不能适应社会的需要了。本文只要针对故障诊断概况和主元分析方法、支持向量机方法的故障诊断应用进行了研究,主要工作如下:
首先对故障的检测和诊断方法进行了综合的分析,对故障诊断的流程及其每个过程的方法进行了比较和探讨。
由于在实际工况中,包含和较多的传感器信号,而实际上并非所有的变量都含有同样重要的用于故障诊断的信息,这些变量有时会干扰故障诊断策略,降低故障诊断的分辨率。此外,由于这些传感器输出具有一定的相关性,因此,就有可能只采用较少数目的变量,来保留原来变量中的大部分信息。这里主要探讨了主元分析方法,并且通过对UCI的BreastCancerDatabase数据库的仿真,验证了主元分析方法在故障诊断中有较多优势。
支持向量机方法是一种很好的具有小样本的学习能力的分类方法,对于样本较少的情况有很好的实际意义。由于在实际工况中,故障样本是比较难得到的,相对于正常工况的样本数据比较少,或者训练样本数目相差比较大的情况比较常见。传统的支持向量机方法分类采用了相同的惩罚系数C,测试结果比较倾向于大样本的类别,引起分类错误。本章提出了改进的支持向量机方法,采用了两个惩罚系数C,这样就避免了由于样本数量相差比较大对测试结果带来的影响而影响测试结果。对UCI数据库的Wine数据的仿真验证了该改进的有效性。
最后提出了一种基于主元分析和支持向量机的故障分类识别方法的整体构架。由于主元分析方法对故障检测有很好的效果,但是对故障定位需要很强的过程知识,对故障定位比较难度。针对大量的工况数据该方法首先主元分析,确定发生故障与否,避免了大量的非故障数据的后期处理,有利于节约内存,加快运算速度,最后通过支持向量机进行故障定位。对TE化工过程的仿真验证了该构架的有效性。