基于改进极限学习机的复杂工业过程故障预测方法应用研究

发布时间：2017-11-20 02:06

本文关键词：基于改进极限学习机的复杂工业过程故障预测方法应用研究

【摘要】：现代工业生产技术发展迅速,对生产要求也逐步提高,生产系统也逐渐向大规模化、复杂化、智能化和数字化发展。生产设备之间互相关联,耦合度高,使得复杂系统故障特征呈现不确定性、非线性等特征。为了确保复杂工业系统正常进行,除了基于传统的故障诊断技术,还要求在故障发生前能够进行故障预测。故障预测技术是一种更先进的安全保障技术,现已逐步成为各个生产领域的研究重点。为此,本课题针对复杂系统的数据特征处理、神经网络建模、故障预测方法做了以下研究：(1)针对时间序列数据,本文重点研究实际生产系统中的过程变量变化的特征,提出差分向量核主元分析(Differential Vector Kernel Principal Component Analysis, DV-KPCA)的特征提取和重构的方法。由于复杂系统的关系变量多,故障数据特征不明显,通过DV-KPCA方法,将能够利用核函数来解决复杂系统中的非线性映射问题,在高维空间中利用差分运算,从而对数据进行降维,最后达到消除冗余信息和特征提取的目的。(2)针对动态系统,本课题提出一种动态建模方法。在极限学习机算法(Extreme Learning Machine, ELM)基础之上,对ELM的结构进行改良,提出一种动态递归极限学习机算法(Dynamic Recurrent ELM, DR-ELM), DR-ELM网络在隐含层中增加了自反馈层,对隐含层输出进行记忆,通过计算自反馈层存储的历史信息的趋势变化,动态调整隐含层权值,使得DR-ELM具备对历史数据信息处理和映射动态特征的性能,提高模型的预测精度。(3)针对数据在线训练学习问题,本课题重点研究在线极限学习机(Online Sequential ELM, OS-ELM)方法。在OS-ELM的网络结构基础上继续进行改良,通过误差反馈层和自反馈层的构建,提出动态递归在线极限学习机(Dynamic Recurrent OS-ELM, DROS-ELM)。DROS-ELM的误差反馈层融合现场误差信息,实现神经网络根据实际误差信息进行动态调整,保证故障预测模型的精度；自反馈层通过提取数据历史变化趋势的信息,调整隐含层的输出,解决数据时延对系统精度的影响。最后本文为验证DROS-ELM的有效性,在TE过程上进行故障预测实验,实验结果表明,该方法能够能保证较高的故障预测精度。本文的研究结果表明,采用DV-KPCA特征提取算法对时间序列数据进行特征提取和重构,能够有效提升故障预测的效果。同时通过改进极限学习算法,构建基于DROS-ELM的复杂工业过程故障预测模型,能够通过自反馈层计算趋势变化信息,通过误差反馈层提升故障预测的成功率,为故障预测方法提供了新的思路。
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP277;TP181

【参考文献】

中国期刊全文数据库前10条

1 孙强;岳继光;;基于不确定性的故障预测方法综述[J];控制与决策;2014年05期

2 彭宇;刘大同;;数据驱动故障预测和健康管理综述[J];仪器仪表学报;2014年03期

3 唐勇波;桂卫华;彭涛;欧阳伟;;PCA和KICA特征提取的变压器故障诊断模型[J];高电压技术;2014年02期

4 徐圆;刘辛新;朱群雄;;化工过程可拓PCA故障诊断方法研究与应用[J];计算机与应用化学;2013年11期

5 徐圆;刘莹;朱群雄;;基于多元时滞序列驱动的复杂过程故障预测方法应用研究[J];化工学报;2013年12期

6 高慧慧;贺彦林;彭荻;朱群雄;;基于数据属性划分的递阶ELM研究及化工应用[J];化工学报;2013年12期

7 周东华;魏慕恒;司小胜;;工业过程异常检测、寿命预测与维修决策的研究进展[J];自动化学报;2013年06期

8 蒋继楠;;基于小波去噪和ELMAN神经网络负荷预测[J];能源与节能;2013年05期

9 李业波;李秋红;王健康;黄向华;赵永平;;基于ImOS-ELM的航空发动机传感器故障自适应诊断技术[J];航空学报;2013年10期

10 马伦;康建设;孟妍;吕雷;;基于Morlet小波变换的滚动轴承早期故障特征提取研究[J];仪器仪表学报;2013年04期