基于组合KPCA与改进ELM的工业过程故障诊断研究

发布时间：2017-10-13 07:50

  本文关键词：基于组合KPCA与改进ELM的工业过程故障诊断研究

  更多相关文章： 故障特征提取 故障分类 多变量统计方法 极限学习机 故障诊断

【摘要】：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。
【关键词】：故障特征提取 故障分类 多变量统计方法 极限学习机 故障诊断
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TQ02;TP18
【目录】：

• 中文摘要3-5
• 英文摘要5-9
• 1 绪论9-17
• 1.1 课题研究的背景及意义9-10
• 1.2 故障诊断的概述及主要方法10-12
• 1.2.1 故障诊断概述10-11
• 1.2.2 故障诊断主要方法11-12
• 1.3 工业过程故障诊断12-14
• 1.3.1 工业过程的复杂性12
• 1.3.2 工业过程故障诊断特点12-13
• 1.3.3 工业过程故障诊断研究现状13-14
• 1.4 本文的主要研究内容及论文结构14-17
• 2 田纳西-伊斯曼工业过程描述17-25
• 2.1 TE工业过程工艺流程17-18
• 2.2 TE过程中的过程变量18-20
• 2.3 TE过程的故障说明20-22
• 2.4 TE过程数据集的产生22-23
• 2.5 本章小结23-25
• 3 基于多变量统计的故障特征提取方法研究25-53
• 3.1 主元分析方法27-33
• 3.1.1 主元分析方法基本原理27-31
• 3.1.2 主元分析中的统计量31-33
• 3.1.3 主元分析的特征提取方法在故障检测中的应用33
• 3.2 核主元分析方法33-38
• 3.2.1 核方法的基本原理34-35
• 3.2.2 核主元分析方法基本原理35-37
• 3.2.3 核主元分析统计量37-38
• 3.2.4 核主元分析的特征提取方法在故障检测中的应用38
• 3.3 基于核函数组合的改进KPCA分析方法38-40
• 3.3.1 组合KPCA的研究思路38-39
• 3.3.2 组合KPCA的特征提取方法在故障检测中的应用39-40
• 3.4 基于统计分析方法的故障特征提取效果评价40
• 3.5 实验结果及分析40-50
• 3.5.1 基于PCA统计量的检测结果40-43
• 3.5.2 基于KPCA统计量的检测结果43-46
• 3.5.3 基于组合KPCA统计量的检测结果46-49
• 3.5.4 检测结果对比分析49-50
• 3.6 本章小结50-53
• 4 基于极限学习机及其改进算法的分类方法研究53-65
• 4.1 极限学习机理论53-57
• 4.1.1 人工神经网络概述53-54
• 4.1.2 极限学习机原理分析54-57
• 4.2 传统极限学习机的不足与改进方法57-60
• 4.2.1 传统极限学习机的缺陷57
• 4.2.2 改进极限学习机的思路及理论推导57-59
• 4.2.3 改进极限学习机神经网络模型的建立59-60
• 4.3 ELM和改进ELM性能验证60-63
• 4.3.1 实验环境和数据集60-61
• 4.3.2 实验结果分析对比61-63
• 4.4 本章小结63-65
• 5 基于组合KPCA与改进ELM的故障诊断研究65-75
• 5.1 故障诊断模型的建立65-66
• 5.1.1 组合KPCA和改进ELM结合的可行性分析65
• 5.1.2 故障诊断模型的构建65-66
• 5.2 基于组合KPCA与ELM的故障诊断仿真66-69
• 5.3 基于组合KPCA与改进ELM的故障诊断仿真69-73
• 5.4 本章小结73-75
• 6 研究总结与展望75-77
• 6.1 研究工作总结75-76
• 6.2 研究工作展望76-77
• 致谢77-79
• 参考文献79-83
• 附录83
• A. 攻读硕士学位期间发表的学术论文83
• B. 攻读硕士学位期间申请的发明专利83
• C. 攻读硕士学位期间参与的工程项目83

【相似文献】

中国期刊全文数据库 前10条

1 方莹;;多角度的特征提取方法[J];郑州轻工业学院学报(自然科学版);2010年03期

2 周生祥,冯培恩,潘双夏;材焊接结构加工特征提取方法[J];浙江大学学报(自然科学版);1997年04期

3 王云鹏;刁智华;宋寅卯;王欢;;棉花叶部害螨病斑形态特征提取[J];郑州轻工业学院学报(自然科学版);2013年04期

4 徐瑞芬;;基于冗余提升形态小波的非对称表面特征提取研究[J];机电工程;2012年08期

5 吴响;钱建生;王海燕;秦海初;;微震信号多尺度非线性特征提取与辨识研究[J];仪器仪表学报;2014年05期

6 吴雅娟;徐亚军;赵鹏;;分级特征提取在中子寿命深度校正中的应用[J];计算机系统应用;2014年03期

7 赵剑;许金涛;顾凌榕;;蛋白质序列在频率域上的一种特征提取方法[J];南京工业大学学报(自然科学版);2013年06期

8 陶晨;印梅芬;王栋;;面料摩擦声音特征提取[J];丝绸;2014年03期

9 李鹏;刘民;吴澄;;一种基于特征提取方法的智能预测算法[J];控制与决策;2007年12期

10 郭振铎;刘洲峰;徐庆伟;朱永胜;;玻璃缺陷特征提取[J];中原工学院学报;2010年02期

中国重要会议论文全文数据库 前10条

1 尚修刚;蒋慰孙;;模糊特征提取新算法[A];1997中国控制与决策学术年会论文集[C];1997年

2 潘荣江;孟祥旭;杨承磊;王锐;;旋转体的几何特征提取方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

3 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 杜栓平;曹正良;;时间—频率域特征提取及其应用[A];2005年全国水声学学术会议论文集[C];2005年

5 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

6 魏明果;;方言比较的特征提取与矩阵分析[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

7 林土胜;赖声礼;;视网膜血管特征提取的拆支跟踪法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

9 刘红;陈光，

本文编号：1023679