论文部分内容阅读
随着科学技术的发展,现代工业生产过程的复杂程度越来越高,系统中任何一个微小的环节出现异常,就可能导致整个系统的崩溃。因此,在现代工业生产过程中,如何采取有效措施保障系统运行的安全性和可靠性,并对工业过程进行有效监控,已成为亟待解决的问题。基于上述原因,对工业过程进行故障诊断也就变得越来越重要。本文以田纳西-伊斯曼(TE)化工过程为背景,利用基于数据的方法围绕工业过程故障诊断问题展开研究。在故障诊断中,故障特征提取和分类是重要的两个部分,针对工业过程数据非线性和对实时性要求高等特点,从故障特征提取和分类两个方面对已有的算法进行分析和改进,并最终应用到TE过程故障诊断中。本文的工作主要包括以下几个方面:(1)对于故障特征提取,利用多变量统计方法进行处理。首先对基于PCA的特征提取方法进行了说明;针对PCA在提取工业过程非线性数据特征信息的缺陷,引入了KPCA方法;针对传统KPCA方法在进行高维映射时采用单一核函数的局限性,提出了一种基于核函数组合的改进KPCA方法,即将高斯径向基核函数与多项式核函数进行加权作为新的核函数,改进的特征提取方法同时具备全局核函数与局部核函数的优势,有更强的学习和泛化能力。然后,将三种统计分析方法应用到TE过程故障检测上,利用检测结果对三种方法的特征提取能力进行评估,验证了组合KPCA方法特征提取的有效性与优越性。(2)对于分类方法,由于工业过程对实时性要求较高,针对传统分类方法速度上的不足,本文引入了速度极快的极限学习机(ELM)算法。更进一步,由于传统极限学习机的输入权值W和隐层偏置b是随机选取的,这可能导致ELM的神经网络模型输出矩阵H不满足列满秩,使得模型的分类精度和运算速度出现下降。针对传统ELM的这一缺陷,本文提出了一种改进的ELM算法,在随机选取输入权值和隐层偏置的基础上对权值和偏置进行调整,从理论上保证输出矩阵列满秩的特性。将ELM和改进ELM在UCI数据集上进行了性能测试,结果表明改进ELM具有更好的分类效果和稳定性。(3)将组合KPCA和改进ELM结合起来构建故障诊断模型,用组合KPCA对数据进行特征提取,得到数据的非线性主元,在一定程度上消除了变量之间的相关性,然后利用改进ELM对故障进行分类。将组合KPCA-SVM、组合KPCA-ELM、组合KPCA-改进ELM三种方法应用到TE过程故障诊断中,结果显示组合KPCA-改进ELM具有更好的诊断性能。