基于数据驱动的非线性过程故障诊断若干问题研究

发布时间：2017-03-24 13:15

  本文关键词：基于数据驱动的非线性过程故障诊断若干问题研究，，由笔耕文化传播整理发布。

【摘要】：随着数字化技术的广泛应用以及网络科技的快速发展,在大规模化工流程工业中所采集到的时间序列数据大都呈现出高维、非线性、不确定性以及不完整性等特征,这对传统的数据挖掘技术提出了巨大的挑战。与传统的数据分析相比,统计学习理论凭借着良好的可理解性以及对不确定性的容忍性已经引起了学术界和工业界的广泛关注。本论文主要以工业过程监测为研究背景,以统计学习中的相关理论为基础,集中解决了工业生产过程中所广泛存在的不确定性以及非线性等问题,并在数值仿真与工业流程数据上验证了所提出方法的有效性和可行性。本文主要的研究内容和贡献如下：Ⅰ.针对多核学习中的非凸优化问题,提出了一种基于非精确投影法的通用多核学习模型GCISP.MKL(Generalized Convexity-based Inexact Projection for Multiple Kernel Learning)和相应的学习算法,该方法在保证平滑性的同时能够在有限内存空间内高效、准确地收敛于驻点。对该模型广义凸性的理论研究发现,该通用模型的目标函数是一种严格伪凸函数,而约束条件是一种伪线性函数,因此该优化问题的原始问题及其对偶问题间是强对偶的。为了提高算法的计算效率,通过L-BFGS法对优化问题中的Hessian矩阵进行近似,这样可以加快收敛速度。Ⅱ.针对封装式特征选择方法所存在的特征单调性问题以及大规模化工过程数据中出现的维度爆炸问题,提出了一种基于多核技术的非单调特征选择算法PrimMKL-FS (Primal method for Multiple Kernel Learning-based Feature Selection).通过对多核学习的理论分析发现,核矩阵的权重项对数据特征的重要程度具有指示作用,以此为基础建立了相应的优化问题,并提出了一种基于Nesterov投影梯度下降的优化算法直接对优化的原始问题搜索最优解,并利用所得到的最优组合权重对特征权重进行分配。Ⅲ.针对实际生产过程中变量间的相关性难以满足传统分析法的基本假设(即观测变量服从Gaussian分布),提出了一种基于独立元分析-深度网络的多变量统计过程监测法ICA-Sparse Autoencodera该方法利用独立元分析法提取出非高斯分布中的隐含变量,对残差序列运用深度网络以解决序列中的非线性问题。同时,在深度网络中为了避免模型陷入局部极值,提出了一种受限Boltzmann机的预训练机制,并利用L-BFGS算法对深度网络中的参数进行更新优化。Ⅳ.针对传统多变量统计过程监测法难以得到概率性输出的问题,设计出一种基于高斯混合模型的鲁棒贝叶斯模型BRR (Bayesian Robust Regression),该模型能够有效处理系统中的非确定性,同时计算出后验概率。针对高斯混合模型中存在的两个主要问题：对离群点缺乏鲁棒性以及无穷问题,在模型中引入一种准确度权重来识别出过程中的离群点和噪声,并捕捉数据的局部特性；在逆协方差矩阵上放置了一种逆Wishart分布的先验知识以避免无穷问题的出现；为了体现出模型成分重要程度的不同,将混合权重的先验设计为一种基于混合比例概率性参数序列的Dirichlet分布。V针对有限高斯混合模型关于混合模型的数量易产生过拟合现象的问题,提出了一种基于Dirichlet混合过程模型的非参数Bayesian故障诊断方法。该模型通过假设样本中存在无限数量的簇,在后验中可以得到关于簇的数量、簇中的数据和簇相关参数的分布,在一定程度上避免了过拟合现象的出现。该方法对于混合权重附加了一种先验分布,并利用stick-breaking构造法建立起一种Dirichlet混合过程模型,在变分推理过程中采用截断作用,并根据自由能反复修正截断模型,使得模型选择和推理过程有机地结合在一起。最后,在总结全文的主要研究工作基础上,对这一研究领域的未来研究重点与方向进行了展望。
【关键词】：统计学习 机器学习 非线性过程监测 多核学习 深度学习 高斯混合模型 狄利克雷混合过程模型
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP277
【目录】：

• 致谢5-6
• 摘要6-8
• Abstract8-15
• 符号与缩写15-19
• 1 绪论19-35
• 1.1 引言19-21
• 1.2 过程监测的基本概念及研究内容21-24
• 1.3 非线性故障诊断的研究现状24-31
• 1.4 本文主要内容与创新点31-35
• 2 广义凸条件下多核学习的非精确投影算法35-51
• 2.1 引言35-36
• 2.2 多核学习框架36-38
• 2.3 广义凸条件下的非精确谱投影在多核学习中的应用38-46
• 2.4 实验仿真46-48
• 2.5 小结48-51
• 3 基于多核技术的特征选择在非线性故障诊断中的应用51-65
• 3.1 引言51-53
• 3.2 基于多核学习的非单调特征选择法53-58
• 3.3 实验仿真58-63
• 3.4 小结63-65
• 4 受限Boltzmann机预训练机制下的深度学习在故障诊断中的应用65-83
• 4.1 引言65-66
• 4.2 预备知识66-67
• 4.3 基于L-BFGS优化的稀疏自编码器及预训练过程67-72
• 4.4 基于ICA-稀疏自编码器的故障检测72-73
• 4.5 实例研究73-81
• 4.6 小结81-83
• 5 一种新的Bayesian鲁棒模型及其在非线性过程故障诊断中的应用83-107
• 5.1 引言83-84
• 5.2 预备知识84-86
• 5.3 Bayesian鲁棒回归模型86-93
• 5.4 鲁棒性分析和基于BRR的故障诊断93-97
• 5.5 实例研究97-105
• 5.6 小结105-107
• 6 基于Dirichlet过程的非参数贝叶斯故障诊断研究107-119
• 6.1 引言107-108
• 6.2 有限混合模型108-109
• 6.3 变分Dirichlet混合过程模型109-112
• 6.4 实验研究112-118
• 6.5 小结118-119
• 7 总结和展望119-123
• 7.1 研究工作总结119-120
• 7.2 研究工作展望120-123
• 参考文献123-135
• 作者简历及在学期间取得的主要科研成果135-136

【相似文献】

中国期刊全文数据库 前10条

1 张敏,赵猛,贾云得,王俊;基于自适应高斯混合模型的图像稳定方法[J];北京理工大学学报;2004年10期

2 赵征鹏,杨鉴;基于高斯混合模型的非母语说话人口音识别[J];计算机工程;2005年06期

3 侯建华;熊承义;田金文;柳健;;图像小波系数的高斯混合模型研究[J];计算机应用;2006年03期

4 顾明亮;马勇;;基于高斯混合模型的汉语方言辨识系统[J];计算机工程与应用;2007年03期

5 袁礼海;李钊;宋建社;;利用高斯混合模型实现概率密度函数逼近[J];无线电通信技术;2007年02期

6 张超琼;苗夺谦;岳晓冬;;基于高斯混合模型的语音性别识别[J];计算机应用;2008年S2期

7 许晓东;熊卫斌;朱士瑞;;基于高斯混合模型的流量矩阵估算研究[J];计算机工程;2009年14期

8 王岐学;钱盛友;赵新民;;基于差分特征和高斯混合模型的湖南方言识别[J];计算机工程与应用;2009年35期

9 韩晓峰;;基于自回归的高斯混合模型[J];科技风;2009年23期

10 马超;张政石;;基于二维高斯混合模型的驾驶行为分析[J];硅谷;2011年05期

中国重要会议论文全文数据库 前10条

1 骆俊;马尽文;;高斯混合模型的遗传分基融合算法[A];第十二届全国信号处理学术年会（CCSP-2005）论文集[C];2005年

2 廖频;沈理;;基于高斯混合模型的人脸图象识别研究[A];2001年中国智能自动化会议论文集（上册）[C];2001年

3 马尽文;何学锋;;高斯混合模型的数据尺度可压缩参数学习算法[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

4 瞿俊;姜青山;董槐林;;基于高斯混合模型的层次聚类算法[A];第二十三届中国数据库学术会议论文集（研究报告篇）[C];2006年

5 蔡念;郭文婷;陈世文;潘晴;;融合高斯混合模型和小波变换的运动目标检测[A];第十五届全国图象图形学学术会议论文集[C];2010年

6 龙艳花;郭武;戴礼荣;;一种应用于SVM说话者确认系统的新型序列核[A];第九届全国人机语音通讯学术会议论文集[C];2007年

7 刘李漫;陶文兵;田金文;;融合多高斯混合模型与Graph Cuts优化技术的目标自动检测方法[A];第十五届全国图象图形学学术会议论文集[C];2010年

8 康永国;双志伟;陶建华;张维;徐波;;高斯混合模型和码本映射相结合的语音转换算法[A];第八届全国人机语音通讯学术会议论文集[C];2005年

9 应冬文;颜永红;付强;国雁萌;;基于约束高斯混合模型的噪声功率谱估计[A];2010年通信理论与信号处理学术年会论文集[C];2010年

10 唐英干;刘东;关新平;;基于高斯混合模型的多分辨率图像分割[A];第十二届全国图象图形学学术会议论文集[C];2005年

中国博士学位论文全文数据库 前6条

1 王益文;复杂网络节点影响力模型及其应用[D];浙江大学;2015年

2 罗林;基于数据驱动的非线性过程故障诊断若干问题研究[D];浙江大学;2015年

3 陈雪峰;图像高斯混合模型的判别学习方法[D];北京理工大学;2009年

4 赖裕平;非高斯混合模型的变分学习算法研究[D];北京邮电大学;2014年

5 刘辉;miRNA靶标预测的系统生物学方法研究[D];中国矿业大学;2009年

6 陶建斌;贝叶斯网络模型在遥感影像分类中的应用方法研究[D];武汉大学;2010年

中国硕士学位论文全文数据库 前10条

1 范苗;基于高斯混合模型的时变过程软测量建模[D];浙江大学;2015年

2 许莉薇;基于高斯混合模型林业信息文本分类的技术研究[D];东北林业大学;2015年

3 车滢霞;约束条件下的结构化统计声学模型及非平行语料语音转换[D];苏州大学;2015年

4 张晓红;基于候选生成的猫脸检测[D];哈尔滨工业大学;2015年

5 付娜;基于视频的运动人体行为捕捉算法研究[D];北京理工大学;2015年

6 王炳辉;基于层次贝叶斯自适应稀疏的高斯混合模型[D];大连理工大学;2015年

7 邱藤;基于高斯混合模型的EM算法及其应用研究[D];电子科技大学;2015年

8 张小林;基于高斯混合模型和非负矩阵分解的复杂网络社区检测[D];西安电子科技大学;2014年

9 姚绍芹;基于声道谱参数的语音转换算法研究[D];南京邮电大学;2015年

10 闫昊;基于高斯混合模型的文本无关说话人年龄识别[D];苏州大学;2015年

  本文关键词：基于数据驱动的非线性过程故障诊断若干问题研究，由笔耕文化传播整理发布。

本文编号：265669