基于统计学习的气动调节阀故障诊断研究

发布时间：2017-04-02 06:09

  本文关键词：基于统计学习的气动调节阀故障诊断研究，，由笔耕文化传播整理发布。

【摘要】：随着现代工业生产规模的不断扩大以及自动化程度的显著提高,气动调节阀在工业过程控制应用中越来越广泛。作为控制回路的终端执行机构,气动调节阀常用于调节各种介质的流量和压力,在保持生产稳定、过程安全以及优化控制等方面起着至关重要的作用。因此,气动调节阀故障诊断研究作为过程监测系统的一个重要组成部分,对石化、食品等工业过程安全、稳定、高效的生产有着十分重要的意义。本文基于统计学习的方法,对气动调节阀的多类故障诊断进行了研究。本文的主要研究内容如下：1、对气动调节阀故障诊断算法的标准平台DAMADICS(Development and Application of Methods for Actuator Diagnosis in Industrial Control Systems)进行了研究。通过学习DAMADICS平台中气动调节阀的仿真模型,实现了气动调节阀多类故障的仿真模拟,解决了实际工业过程气动调节阀故障数据不足的问题。2、将统计学习中比较热门的支持向量机(Support Vector Machine, SVM)和极限学习机(Extreme Learning Machine, ELM)应用于气动调节阀的多类故障诊断中。基于DAMADICS平台的多类故障仿真数据,比较了二种算法的诊断效果,结果表明ELM算法在模型训练效率和模型预测精度上比SVM更适合于气动调节阀的故障诊断应用。3、提出了稀疏贝叶斯极限学习机方法(Sparse Bayesian Extreme Learning Machine, SBELM),主要是将贝叶斯思想应用到ELM多分类问题上,用来训练ELM多分类器的输出权重,并且隐层参数像传统的ELM算法一样随机生成,保留了原有ELM算法的特点和优势。基于SBELM训练的模型通过预先设定的性能准则,可以逐步剔除重复或干扰的训练样本,因此能实现模型的稀疏性；并且能给出预测样本的类别概率分布,对实际应用具有重要的参考意义。考虑到工业故障诊断应用中对训练模型大小的限制,进一步在SBELM模型的基础上提出了对隐藏节点个数进行了稀疏的方法。最后分别将SBELM算法和隐层节点个数稀疏的SBELM算法应用到DAMADICS平台的气动调节阀故障诊断中,取得了较好的诊断效果。4、以波兰Cukrownia制糖厂制糖工艺中控制稀糖汁进入第一个蒸发罐流程的气动调节阀为实际故障诊断应用对象,分别利用SVM、ELM、SBELM算法对该气动调节阀的三种实测故障数据进行了故障诊断,并比较了三种算法的诊断效果。结果表明,SBELM在预测精度和模型预测时间上效果较好,ELM的模型训练速度较快,SVM表现一般。
【关键词】：气动调节阀 故障诊断 DAMADICS平台 统计学习 极限学习机 贝叶斯极限学习机 稀疏性
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH134;TP18
【目录】：

• 致谢5-6
• 摘要6-8
• Abstract8-12
• 1 绪论12-20
• 1.1 研究背景及意义12-13
• 1.2 气动调节阀故障诊断研究概述13-18
• 1.2.1 气动调节阀简介13-14
• 1.2.2 气动调节阀常见故障14-16
• 1.2.3 气动调节阀故障诊断研究现状16-18
• 1.3 本文主要研究内容18-20
• 2 DAMADICS平台20-40
• 2.1 引言20
• 2.2 DAMADICS平台气动调节阀模型20-31
• 2.2.1 模型介绍21-24
• 2.2.2 故障概述24-29
• 2.2.3 故障仿真29-31
• 2.3 基于DAMADICS平台的气动调节阀故障诊断标准31-38
• 2.3.1 故障诊断标准定义32-35
• 2.3.2 故障诊断性能指标35-38
• 2.4 本章小结38-40
• 3 基于支持向量机与极限学习机的气动调节阀故障诊断40-58
• 3.1 引言40-41
• 3.2 统计学习方法介绍41-50
• 3.2.1 支持向量机41-46
• 3.2.2 极限学习机46-50
• 3.3 基于统计学习的气动调节阀故障诊断50-57
• 3.3.1 基于支持向量机的气动调节阀故障诊断50-56
• 3.3.2 基于极限学习机的气动调节阀故障诊断56-57
• 3.3.3 方法比较与讨论57
• 3.4 本章小结57-58
• 4 基于贝叶斯极限学习机的气动调节阀故障诊断58-76
• 4.1 引言58-59
• 4.2 稀疏性贝叶斯极限学习机59-67
• 4.2.1 SBELM模型59-62
• 4.2.2 模型稀疏性与样本选择62-64
• 4.2.3 模型预测概率分布64
• 4.2.4 应用仿真64-67
• 4.3 隐层节点个数稀疏性研究67-74
• 4.3.1 稀疏性回归分析67-69
• 4.3.2 应用仿真69-74
• 4.4 本章小结74-76
• 5 工业应用76-82
• 5.1 引言76
• 5.2 制糖工艺及气动调节阀76-77
• 5.3 故障诊断方法应用比较77-80
• 5.4 本章小结80-82
• 6 总结与展望82-84
• 6.1 工作总结82-83
• 6.2 研究展望83-84
• 参考文献84-90
• 作者简历90-91
• 攻读学位期间取得的研究成果91

【参考文献】

中国期刊全文数据库 前5条

1 李晗;萧德云;;基于数据驱动的故障诊断方法综述[J];控制与决策;2011年01期

2 靳建彬;王元钦;陈源;;基于遗传算法的BP神经网络优化策略研究[J];计算机与现代化;2010年09期

3 潘华贤;程国建;蔡磊;;极限学习机与支持向量机在储层渗透率预测中的对比研究[J];计算机工程与科学;2010年02期

4 丁长云;;气动调节阀的维护修理及故障处理[J];化学工程与装备;2008年11期

5 张学工;关于统计学习理论与支持向量机[J];自动化学报;2000年01期

中国博士学位论文全文数据库 前3条

1 徐海祥;基于支持向量机方法的图像分割与目标分类[D];华中科技大学;2005年

2 孙宗海;支持向量机及其在控制中的应用研究[D];浙江大学;2003年

3 李映;混合智能计算方法及其应用[D];西安电子科技大学;2002年

  本文关键词：基于统计学习的气动调节阀故障诊断研究，由笔耕文化传播整理发布。

本文编号：281990