基于极限学习机的复杂工业过程故障识别研究及应用

发布时间：2017-04-27 19:06

  本文关键词：基于极限学习机的复杂工业过程故障识别研究及应用，由笔耕文化传播整理发布。

【摘要】：随着现代工业的飞速发展,如何在保持高效生产的同时保证工业过程的安全性与可靠性成为一个关键问题,而故障识别是其中非常重要的一环。由于海量的工业过程数据得以保存,基于数据驱动的工业过程故障识别技术受到广泛关注并有着大量成功的应用。神经网络方法是基于数据驱动方式的一种,为解决传统神经网络方法训练时间长、易陷入局部极小的问题,本文提出了基于极限学习机(ELM)的故障识别方法,并在原始算法的基础上加以优化,利用工业数据进行仿真验证,得到了良好的故障识别效果,兼具训练速度快、故障识别准确率高的特点。本文的主要研究工作和成果包括以下几个方面：1)针对工业过程数据维数高、干扰噪声严重,以及ELM分类算法存在分类结果不稳定且分类准确率较低的问题,将主元分析方法(PCA)与极限学习机相结合,利用PCA对过程数据进行预处理,去除数据中的噪声与冗余信息,提出PCA-ELM分类算法,该算法在保持了快速的训练速度的同时大幅度提高了分类准确率,分类结果稳定性也得到提升。2)为了提升PCA-ELM分类算法的分类准确率,利用ELM分类算法的结构特点重新设计面向多分类任务的分类器,提出基于单分类方式的ELM优化分类算法(One-Class-PCA-ELM)。该算法将训练数据按各个单类进行分割与整合并分别建立模型,各个单类的特征信息充分地包含在相应的单类模型上,从而能够更加有效准确地对待分类数据进行类别匹配。仿真结果表明,One-Class-PCA-ELM分类算法同样保持了极快的训练速度,显著提高了分类准确率。此外,针对One-Class-PCA-ELM分类算法分类过程中存在异常分类的问题,对其加以优化与改进,以进一步提高分类准确率,仿真试验表明算法效果比较理想。3)将各类基于ELM的分类算法应用于核电站反应堆冷却剂系统(RCP)的故障识别仿真试验以验证算法的有效性,重点研究了本文提出的One-Class-PCA-ELM分类算法及其优化分类算法的故障识别性能。仿真结果表明,Improved-One-Class-PCA-ELM分类算法在RCP系统故障识别中取得了良好的故障识别效果,兼具训练速度快、故障识别准确率高的特点,算法有效、可行。
【关键词】：故障识别 数据驱动 极限学习机 单分类建模 主元分析
【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】：TP277;TP181
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 第1章 绪论11-15
• 1.1 引言11
• 1.2 复杂工业过程监控与故障识别研究现状11-12
• 1.3 极限学习机研究现状12-13
• 1.4 论文的主要研究内容及结构安排13-15
• 第2章 基于ELM的复杂工业过程故障识别15-27
• 2.1 引言15
• 2.2 极限学习机基本原理15-17
• 2.3 基于ELM的分类算法17-18
• 2.4 仿真实例18-25
• 2.4.1 TE过程简介18-19
• 2.4.2 基于ELM的TE过程故障识别仿真19-22
• 2.4.3 ELM分类算法与SVM分类算法性能比较22-25
• 2.5 本章小结25-27
• 第3章 基于PCA-ELM的复杂工业过程故障识别27-37
• 3.1 引言27
• 3.2 主成分分析27-28
• 3.3 基于PCA-ELM的分类算法28-29
• 3.4 仿真实例29-35
• 3.4.1 基于PCA-ELM的TE过程故障识别仿真29-31
• 3.4.2 PCA-ELM分类算法与ELM分类算法性能比较31-33
• 3.4.3 PCA-ELM分类算法与PCA-SVM分类算法性能比较33-35
• 3.5 本章小结35-37
• 第4章 基于单分类优化PCA-ELM的复杂工业过程故障识别37-59
• 4.1 引言37
• 4.2 单分类故障识别方式37-39
• 4.3 基于One-Class-PCA-ELM的分类算法39-44
• 4.4 基于Improved-One-Class-PCA-ELM的分类算法44-48
• 4.5 仿真实例48-57
• 4.5.1 基于One-Class-PCA-ELM的TE过程故障识别仿真48-52
• 4.5.2 基于Improved-One-Class-PCA-ELM的TE过程故障识别仿真52-57
• 4.6 本章小结57-59
• 第5章 核电站反应堆冷却剂系统故障识别仿真应用59-71
• 5.1 核电站反应堆冷却剂系统(RCP)简介59-61
• 5.1.1 核电站总体介绍59-60
• 5.1.2 核电站反应堆冷却剂系统介绍60-61
• 5.1.3 故障数据集选取61
• 5.2 核电站反应堆冷却剂系统故障识别仿真应用61-70
• 5.2.1 基于ELM与PCA-ELM的核电站RCP系统故障识别仿真应用61-65
• 5.2.2 基于One-Class-PCA-ELM及其优化算法的核电站RCP系统故障识别仿真应用65-69
• 5.2.3 仿真应用结果对比与分析69-70
• 5.3 本章小结70-71
• 第6章 总结与展望71-73
• 6.1 本文总结71-72
• 6.2 研究展望72-73
• 参考文献73-81
• 在学期间取得的科研成果81-82
• 作者简介82

【相似文献】

中国期刊全文数据库 前10条

1 肖涵;李友荣;吕勇;;非趋势波动分析及其在齿轮故障识别中的应用[J];煤矿机械;2008年07期

2 谢慧敏;;浅析电机故障识别及诊断[J];电子制作;2014年05期

3 白士红,徐明,岳国胜;灰色系统关联分析在故障识别中的应用[J];沈阳航空工业学院学报;2000年02期

4 李天恩;何桢;;基于主成分修整和线性判别分析的重叠故障识别[J];系统工程学报;2012年05期

5 屈梁生,史东锋;机械诊断中的故障识别问题[J];设备管理&维修;1998年05期

6 许洁;胡寿松;;灰关联分析在歼击机操纵面故障识别中的应用[J];南京师范大学学报(工程技术版);2006年03期

7 扶碧波;方宗德;沈云波;;综合应用小波包支持向量机直升机齿轮故障识别及实验研究[J];机械科学与技术;2011年11期

8 谭晓栋;邱静;刘冠军;曾庆虎;苗强;;基于小波能谱熵-隐半马尔可夫模型的故障识别方法及应用[J];机械科学与技术;2009年10期

9 孙京诰,李秋艳,杨欣斌,黄道;基于蚁群算法的故障识别[J];华东理工大学学报;2004年02期

10 李荣雨;杨小健;殷绚;;基于映射向量和加权Q贡献图的故障识别研究[J];化工自动化及仪表;2010年12期

中国重要会议论文全文数据库 前5条

1 顾小军;杨世锡;钱苏翔;;基于支持向量机的旋转机械多类故障识别研究[A];第二十六届中国控制会议论文集[C];2007年

2 王启志;王晓霞;;基于粗糙集理论的磨削烧伤故障识别[A];2007'中国仪器仪表与测控技术交流大会论文集（二）[C];2007年

3 司爱威;冯辅周;江鹏程;饶国强;王建;;基于可变风险SVM模型的故障识别方法研究[A];第十届全国振动理论及应用学术会议论文集（2011）上册[C];2011年

4 许洁;胡寿松;申忠宇;;歼击机操纵面故障的灰色识别法[A];2005全国自动化新技术学术交流会论文集（三）[C];2005年

5 尹雪娇;逄玉俊;王贵成;;一种基于蚁群算法的故障聚类新方法[A];第十九届测控、计量、仪器仪表学术年会(MCMI'2009)论文集[C];2009年

中国博士学位论文全文数据库 前2条

1 肖涵;基于高斯混合模型与子空间技术的故障识别研究[D];武汉科技大学;2007年

2 金文;基于可拓性理论的设备故障诊断方法研究[D];沈阳工业大学;2008年

中国硕士学位论文全文数据库 前9条

1 郑进勇;基于FTA-SVM的车辆发动机故障识别方法研究[D];河南科技大学;2015年

2 蒋丹;断路器测试信号处理及故障识别方法研究[D];华北电力大学;2015年

3 裘日辉;基于极限学习机的复杂工业过程故障识别研究及应用[D];浙江大学;2016年

4 朱鹏飞;基于特征空间邻域结构分析的故障识别方法[D];哈尔滨工业大学;2011年

5 李严;基于联想记忆神经网络的故障识别[D];燕山大学;2012年

6 李曼;基于机器学习的故障识别方法与系统研制[D];北京交通大学;2015年

7 张立家;基于全矢谱的瞬态信号表征与故障识别研究[D];郑州大学;2008年

8 彭鑫;基于稀疏矩阵的高炉故障识别研究[D];武汉科技大学;2014年

9 裴迅;区域保护故障识别算法及动作策略研究[D];华北电力大学;2014年

  本文关键词：基于极限学习机的复杂工业过程故障识别研究及应用，由笔耕文化传播整理发布。

，

本文编号：331228