基于信息融合的TE过程故障诊断
发布时间：2020-12-19 13:45
随着科技水平的发展以及人类生活对化工产品多样化的需求,现代化工过程的生产规模与日俱增,生产过程更加趋于复杂化、自动化。自动化的生产过程虽然是人工智能进步的体现,但也加大了系统各个部分的耦合性,从而增加了系统发生故障的风险。本文针对现代化工生产过程的特点,提出一种将支持向量机（support vector machines,SVM）和人工神经网络相结合的信息融合故障诊断方法,将SVM和BP（Back Propagation）神经网络的初步诊断结果作为证据体,再利用D-S（Dempster-Shafer）证据理论对两个证据体进行融合处理得到新的诊断结论。本文以TE（Tennessee Eastman）过程为研究对象,以TE过程中的数据为实验仿真数据,主要完成了以下工作:（1）研究了主元分析（Principal Component Analysis,PCA）和 SVM 相结合的故障诊断方法。利用PCA对TE过程数据进行故障特征提取,然后使用交叉验证的方法对SVM的参数进行优化,从而对TE过程进行故障诊断。仿真结果表明,该法比单一的SVM法有更高的故障识别率,将这一方法的诊断结果作为D-S证据...
【文章来源】：沈阳理工大学辽宁省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
故障诊断方法的分类图
２．１引言??ＴＥ过程是一个仿真系统，由ＴｅｎｅｓｓｅｅＥａｓｔｍａｎ公司的Ｄｏｗｎｓ等人根据当时公??司的实际生产过程提出，其工艺流程见图２．１。在过程系统工程领域的研究中，ＴＥ??过程是一个常用的标准问题，其较好地仿真了实际复杂工业过程系统的许多典型??特征，被广泛应用于故障诊断的研巧中，本文所使用的数据巧来自于ＴＥ过程。??２．２?ＴＥ过程的工芝流程??ＴＥ过程共有五个主要操作单元，它们分别是反应器、冷凝器、分离器、压缩??机和气提塔，整个过程涉及从Ａ到Ｈ共８种成分，其中Ａ、Ｃ、Ｄ和Ｅ为气体成??分，Ｂ为惰性成分，Ｇ和Ｈ为液态产物。ＴＥ过程的反应过程是首先将气体成分和??惰性成分放进反应器中，经过一系列化学反应后，会得到液态产物，而Ｆ则是得到??的副产品，它们之间的反应如下式所示??Ａ（ｇ）＋Ｃ（ｇ）＋Ｄ（ｇ）－＞Ｇ（ｌｉｑ）??Ａ（ｇ）＋Ｃ（ｇ）＋Ｅ（ｇ）＾Ｈ（ｌｉｑ）??（２－１）??Ａ（ｇ）ｆＥ（ｇ）－＞Ｋｌｉｑ）??３Ｄ（ｇ）－＞２Ｆ（ｌｉｑ）??上式中标有ｇ的表示该物质是气体成分
ＳＰＥ?＜Ｑａ么＝０、ｆａ吟颗?＋?１＋０九诉ａ?白＼?０１??ｙ?＝?ｌ，２，３），／ｉ＾＝ｌ－当晏，Ｃ。是正太分布的（１００－ａ）％的＝ｋ＋＼?３句??于ＰＣＡ的故障检测??ＰＣＡ的故障检测流程图如图３．１所示，其基本策略是：获得检的样本集，求取根据正常工况样本集的主元并构造主元子空间，ｒ２统计量设为正常状态的控制限；将测试样本或实时采样的信间并计算其统计量，若其超出了正常状态的控制限，则认为系绵无需了解系统的结构和原理，建模简单，易于实现Ｐ７Ｌ??开始?．??
【参考文献】：
期刊论文
[1]基于EEMD形态谱和支持向量机复合的滚动轴承故障诊断方法[J]. 姜万录,郑直,胡浩松. 工程科学学报. 2015(S1)
[2]基于布谷鸟算法和支持向量机的变压器故障诊断[J]. 薛浩然,张珂珩,李斌,彭晨辉. 电力系统保护与控制. 2015(08)
[3]基于支持向量机的逆变电源故障诊断[J]. 王飞,金毅,黄细霞. 电测与仪表. 2015(05)
[4]基于EEMD和进化支持向量机的齿轮混合智能诊断方法研究[J]. 肖成勇,石博强,冯志鹏. 机械科学与技术. 2015(01)
[5]基于模糊粗糙集和支持向量机的化工过程故障诊断[J]. 王鲜芳,王岁花,杜昊泽,王平. 控制与决策. 2015(02)
[6]基于优化支持向量机的采煤机故障诊断技术[J]. 刘冲. 山东农业大学学报(自然科学版). 2015(01)
[7]基于改进多尺度主元分析的故障监测[J]. 李立,齐咏生,王林,高学金,王普. 计算机与应用化学. 2014(08)
[8]动态不确定因果图在化工过程故障诊断中的应用[J]. 杨佳婧,张勤,朱群雄. 智能系统学报. 2014(02)
[9]基于LMD边际谱的柴油机气门故障诊断[J]. 刘昱,张俊红,毕凤荣,林杰威,李维伟,鲁鑫. 内燃机工程. 2014(06)
[10]基于SVM和D-S证据理论的电力变压器内部故障部位识别[J]. 司马莉萍,舒乃秋,李自品,黄勇,罗晓庆. 电力自动化设备. 2012(11)
博士论文
[1]基于特征提取与信息融合的工业过程监测研究[D]. 童楚东.华东理工大学 2015
[2]基于支持向量机的汽轮机轴系振动故障智能诊断研究[D]. 张超.华北电力大学（河北） 2009
[3]基于支持向量机的水电机组故障诊断研究[D]. 邹敏.华中科技大学 2007
[4]支持向量机在机器学习中的应用研究[D]. 罗瑜.西南交通大学 2007
硕士论文
[1]SVM参数寻优及其在分类中的应用[D]. 徐晓明.大连海事大学 2014
[2]基于改进T-PLS的化工过程故障诊断研究[D]. 薛永飞.兰州理工大学 2014
[3]基于支持向量机的航空发动机故障诊断研究[D]. 李文杰.沈阳航空航天大学 2014
[4]TE过程故障诊断方法比较研究[D]. 张姮.沈阳理工大学 2014
[5]改进支持向量机在故障诊断中的应用[D]. 刘春卫.华东理工大学 2014
[6]基于改进SOM算法的化工过程故障诊断研究[D]. 陈心怡.华东理工大学 2013
[7]基于人工神经网络的化工过程的故障诊断[D]. 谷雷.沈阳理工大学 2008
[8]混凝土输送泵故障模糊诊断的研究[D]. 刘素梅.安徽农业大学 2005
本文编号：2926006
【文章来源】：沈阳理工大学辽宁省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
故障诊断方法的分类图
２．１引言??ＴＥ过程是一个仿真系统，由ＴｅｎｅｓｓｅｅＥａｓｔｍａｎ公司的Ｄｏｗｎｓ等人根据当时公??司的实际生产过程提出，其工艺流程见图２．１。在过程系统工程领域的研究中，ＴＥ??过程是一个常用的标准问题，其较好地仿真了实际复杂工业过程系统的许多典型??特征，被广泛应用于故障诊断的研巧中，本文所使用的数据巧来自于ＴＥ过程。??２．２?ＴＥ过程的工芝流程??ＴＥ过程共有五个主要操作单元，它们分别是反应器、冷凝器、分离器、压缩??机和气提塔，整个过程涉及从Ａ到Ｈ共８种成分，其中Ａ、Ｃ、Ｄ和Ｅ为气体成??分，Ｂ为惰性成分，Ｇ和Ｈ为液态产物。ＴＥ过程的反应过程是首先将气体成分和??惰性成分放进反应器中，经过一系列化学反应后，会得到液态产物，而Ｆ则是得到??的副产品，它们之间的反应如下式所示??Ａ（ｇ）＋Ｃ（ｇ）＋Ｄ（ｇ）－＞Ｇ（ｌｉｑ）??Ａ（ｇ）＋Ｃ（ｇ）＋Ｅ（ｇ）＾Ｈ（ｌｉｑ）??（２－１）??Ａ（ｇ）ｆＥ（ｇ）－＞Ｋｌｉｑ）??３Ｄ（ｇ）－＞２Ｆ（ｌｉｑ）??上式中标有ｇ的表示该物质是气体成分
ＳＰＥ?＜Ｑａ么＝０、ｆａ吟颗?＋?１＋０九诉ａ?白＼?０１??ｙ?＝?ｌ，２，３），／ｉ＾＝ｌ－当晏，Ｃ。是正太分布的（１００－ａ）％的＝ｋ＋＼?３句??于ＰＣＡ的故障检测??ＰＣＡ的故障检测流程图如图３．１所示，其基本策略是：获得检的样本集，求取根据正常工况样本集的主元并构造主元子空间，ｒ２统计量设为正常状态的控制限；将测试样本或实时采样的信间并计算其统计量，若其超出了正常状态的控制限，则认为系绵无需了解系统的结构和原理，建模简单，易于实现Ｐ７Ｌ??开始?．??
【参考文献】：
期刊论文
[1]基于EEMD形态谱和支持向量机复合的滚动轴承故障诊断方法[J]. 姜万录,郑直,胡浩松. 工程科学学报. 2015(S1)
[2]基于布谷鸟算法和支持向量机的变压器故障诊断[J]. 薛浩然,张珂珩,李斌,彭晨辉. 电力系统保护与控制. 2015(08)
[3]基于支持向量机的逆变电源故障诊断[J]. 王飞,金毅,黄细霞. 电测与仪表. 2015(05)
[4]基于EEMD和进化支持向量机的齿轮混合智能诊断方法研究[J]. 肖成勇,石博强,冯志鹏. 机械科学与技术. 2015(01)
[5]基于模糊粗糙集和支持向量机的化工过程故障诊断[J]. 王鲜芳,王岁花,杜昊泽,王平. 控制与决策. 2015(02)
[6]基于优化支持向量机的采煤机故障诊断技术[J]. 刘冲. 山东农业大学学报(自然科学版). 2015(01)
[7]基于改进多尺度主元分析的故障监测[J]. 李立,齐咏生,王林,高学金,王普. 计算机与应用化学. 2014(08)
[8]动态不确定因果图在化工过程故障诊断中的应用[J]. 杨佳婧,张勤,朱群雄. 智能系统学报. 2014(02)
[9]基于LMD边际谱的柴油机气门故障诊断[J]. 刘昱,张俊红,毕凤荣,林杰威,李维伟,鲁鑫. 内燃机工程. 2014(06)
[10]基于SVM和D-S证据理论的电力变压器内部故障部位识别[J]. 司马莉萍,舒乃秋,李自品,黄勇,罗晓庆. 电力自动化设备. 2012(11)
博士论文
[1]基于特征提取与信息融合的工业过程监测研究[D]. 童楚东.华东理工大学 2015
[2]基于支持向量机的汽轮机轴系振动故障智能诊断研究[D]. 张超.华北电力大学（河北） 2009
[3]基于支持向量机的水电机组故障诊断研究[D]. 邹敏.华中科技大学 2007
[4]支持向量机在机器学习中的应用研究[D]. 罗瑜.西南交通大学 2007
硕士论文
[1]SVM参数寻优及其在分类中的应用[D]. 徐晓明.大连海事大学 2014
[2]基于改进T-PLS的化工过程故障诊断研究[D]. 薛永飞.兰州理工大学 2014
[3]基于支持向量机的航空发动机故障诊断研究[D]. 李文杰.沈阳航空航天大学 2014
[4]TE过程故障诊断方法比较研究[D]. 张姮.沈阳理工大学 2014
[5]改进支持向量机在故障诊断中的应用[D]. 刘春卫.华东理工大学 2014
[6]基于改进SOM算法的化工过程故障诊断研究[D]. 陈心怡.华东理工大学 2013
[7]基于人工神经网络的化工过程的故障诊断[D]. 谷雷.沈阳理工大学 2008
[8]混凝土输送泵故障模糊诊断的研究[D]. 刘素梅.安徽农业大学 2005
本文编号：2926006
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2926006.html
