基于RS和SVM的化工过程高精度故障诊断方法

发布时间：2018-03-22 11:33

本文选题：化工过程　切入点：故障诊断　出处：《石油学报(石油加工)》2017年04期 　论文类型：期刊论文

【摘要】：化工过程长时间处于正常运行状态而积累的故障样本有限,且含有冗余信息,降低了传统故障分类器的准确率。为了提高化工过程故障诊断的准确率,提出了一种基于RS和SVM的化工过程高精度故障诊断方法。首先,在不损失信息的情况下,采用RS约简故障指标体系,去除冗余特征;然后,根据最小约简指标集构建故障数据集,建立优化的SVM故障分类器。将RS-SVM和标准SVM同时应用到预加氢过程的故障分类中,RS不同程度的提高了SVM准确率,当采用RBF核函数且训练样本集容量为60时,准确率提高幅度最大值为11.84%。比较结果表明,剔除数据中的冗余信息有助于提高故障诊断的准确率。
[Abstract]:In order to improve the accuracy of fault diagnosis in chemical process, the fault samples accumulated for a long time in normal operation state are limited and contain redundant information, which reduces the accuracy of traditional fault classifier. A high precision fault diagnosis method for chemical process based on RS and SVM is proposed. Firstly, RS reduction fault index system is adopted to remove redundant features without loss of information. According to the minimum reduction index set, the fault data set is constructed, and the optimized SVM fault classifier is established. The application of RS-SVM and standard SVM in the fault classification of pre-hydrogenation process improves the accuracy of SVM in varying degrees. When the RBF kernel function is used and the training sample set capacity is 60, the maximum accuracy increase is 11.84. The comparison results show that eliminating redundant information from the data is helpful to improve the accuracy of fault diagnosis.
【作者单位】：中国石油大学机械与储运工程学院;
【基金】：国家自然科学基金项目(51574263) 中国石油大学(北京)青年创新团队C计划(C201602),中国石油大学(北京)科研基金项目(2462015YQ0403)资助
【分类号】：TQ02

【参考文献】

相关期刊论文前10条

1 黄鹤;梁秀娟;肖霄;邱淑伟;肖长来;王重;;基于粗糙集的支持向量机地下水质量评价模型[J];中国环境科学;2016年02期

2 马曦;张来斌;胡瑾秋;蔡战胜;;基于IRML的油气加工系统多层次故障传播模型研究[J];石油学报(石油加工);2015年05期

3 杨雨时;张丽娜;周静;;粗糙集理论在农业机械故障诊断中的应用[J];农机化研究;2013年04期

4 柯孔林;;基于粗糙集与支持向量机的企业短期贷款违约判别[J];控制理论与应用;2009年12期

5 徐金良;陈五星;唐耀阳;;基于粗糙集理论和支持向量机算法的核电厂故障诊断方法[J];核动力工程;2009年04期

6 袁胜发;褚福磊;;支持向量机及其在机械故障诊断中的应用[J];振动与冲击;2007年11期

7 张腾飞;王锡淮;叶银忠;肖健梅;;粗糙集理论在故障诊断中的应用综述[J];上海海事大学学报;2005年04期

8 陈念贻,陆文聪;支持向量机算法在化学化工中的应用[J];计算机与应用化学;2002年06期

9 赵劲松,陈丙珍,沈静珠;人工神经网络在动态过程故障诊断中的应用[J];石油学报(石油加工);1996年01期

10 吕翠英,徐亦方,沈复,史忠植;石油精馏系统故障诊断专家系统中基于深层知识的学习模型——一种不完善理论问题的处理方法[J];石油学报(石油加工);1993年04期

相关期刊论文前10条

1 张鑫;胡瑾秋;张来斌;王倩琳;;基于RS和SVM的化工过程高精度故障诊断方法[J];石油学报(石油加工);2017年04期

2 张智胜;张云鹏;刘青;;支持向量机和小波包分析下的轴承故障诊断[J];机械设计与制造;2017年03期

3 陶洁;刘义伦;付卓;杨大炼;汤芳;;基于Teager能量算子和深度置信网络的滚动轴承故障诊断[J];中南大学学报(自然科学版);2017年01期

4 马新娜;杨绍普;;基于三维谱峭图算法的共振解调技术研究及应用[J];中国机械工程;2016年22期

5 徐向前;周好斌;徐生辉;;支持向量机建模及游梁式抽油机抽汲参数优化[J];石油矿场机械;2016年09期

6 钟崴;彭梁;周永刚;徐剑;从飞云;;基于小波包分析和支持向量机的锅炉结渣诊断[J];浙江大学学报(工学版);2016年08期

7 肖传宁;卢文喜;赵莹;顾文龙;;基于径向基函数模型的优化方法在地下水污染源识别中的应用[J];中国环境科学;2016年07期

8 张小冬;胡宁;卞贤掌;;自动变速器故障诊断方法的研究[J];机械传动;2016年03期

9 张晓彤;姚岳;石丽华;孙兆林;宋丽娟;李强;孙挺;;红外光谱法用于单组分含氧化合物的定量分析研究[J];计算机与应用化学;2016年02期

10 秦波;刘永亮;王建国;张玉皓;常福;;EMD分解与多特征融合的齿轮故障诊断方法[J];机床与液压;2016年03期

相关期刊论文前10条

1 董海彪;卢文喜;安永凯;马洪云;;基于对应分析法的鄂尔多斯盆地东北部地下水污染分析[J];中国环境科学;2015年11期

2 肖传宁;卢文喜;安永凯;顾文龙;赵莹;;基于两种耦合方法的模拟-优化模型在地下水污染源识别中的对比[J];中国环境科学;2015年08期

3 刘双印;徐龙琴;李道亮;;基于粗糙集融合支持向量机的水质预警模型[J];系统工程理论与实践;2015年06期

4 刘博;肖长来;梁秀娟;张静;盛红勋;;吉林市城区浅层地下水污染源识别及空间分布[J];中国环境科学;2015年02期

5 刘双印;徐龙琴;李道亮;曾立华;;基于时间相似数据的支持向量机水质溶解氧在线预测[J];农业工程学报;2014年03期

6 李祚泳;张正健;;基于回归支持向量机的指标规范值的水质评价模型[J];中国环境科学;2013年08期

7 牛瑞卿;彭令;叶润青;武雪玲;;基于粗糙集的支持向量机滑坡易发性评价[J];吉林大学学报(地球科学版);2012年02期

8 乌兰图雅;李东魁;;求解一类NP-HARD问题的一个快速算法[J];内蒙古大学学报(自然科学版);2012年01期

9 梁雪春;龚艳冰;肖迪;;一种多核加权支持向量机的水质预测方法[J];东南大学学报(自然科学版);2011年S1期

10 梁小俊;张庆庆;许月萍;楼章华;;层次分析法-灰关联分析法在京杭运河杭州段水质综合评价中的应用[J];武汉大学学报(工学版);2011年03期

相关期刊论文前10条

1 徐强;化工过程开发的步骤[J];渝西学院学报(自然科学版);2003年04期

2 常凌飞;刘有智;;化工过程强化的研究进展[J];化工中间体;2010年08期

3 徐辉;陈华;;间歇化工过程的设计与优化分析[J];化工管理;2012年S1期

4 陆震维;化工过程开发(Ⅳ)——第一篇化工过程开发概论(四)[J];合成橡胶工业;1980年03期

5 田振增;;关于化工过程中反应热计算的探讨[J];化工设计通讯;1980年03期

6 陈敏恒;陆仁杰;;化工过程开发中的实验研究方法[J];石油化工;1981年09期

7 高渭彪;;化工过程控制的发展动向[摘要][J];广州化工;1983年04期

8 章学钦;;化工过程的分析和合成在节能中的作用(上)[J];上海化工;1985年06期

9 倪进方;化工过程系统的优化[J];化学世界;1990年03期

10 李广学;;超声波在化工过程中的应用[J];化学反应工程与工艺;1991年04期