基于LS-SVM的復雜工業(yè)過程故障診斷方法研究.pdf

1、復雜工業(yè)過程是推動生產(chǎn)力發(fā)展的重要領(lǐng)域，由于其特有的復雜性，難以建模等特點，對它的故障診斷研究已越來越受到重視。近年來，支持向量機(SVM)作為一種新型的機器學習算法得到廣泛的應用，最小二乘支持向量機(LS-SVM)是SVM的改進算法，能在大樣本的條件下表現(xiàn)出其優(yōu)勢。本文考慮到復雜工業(yè)過程數(shù)據(jù)量大的因素，基于LS-SVM對復雜工業(yè)過程的故障診斷方法進行深入研究。 本文在對大量的故障診斷方法進行歸納的基礎(chǔ)上，比較了各種方法的優(yōu)劣性

2、，介紹了用于分類的最小二乘支持向量機的特點，給出了基于LS-SVM故障診斷方法的實現(xiàn)步驟，并通過實例驗證了其在復雜工業(yè)過程故障診斷中的有效性。 其次，為了進一步改善診斷的性能，本文將模糊C均值(FCM)聚類和最小二乘支持向量機結(jié)合，提出了一種基于FCM和LS-SVM的故障診斷方法。模糊C均值聚類用于數(shù)據(jù)預處理階段，并用模糊理論融入分類決策函數(shù)中，以提高其分類性能，達到了滿意的診斷效果。 最后，針對復雜工業(yè)過程中系統(tǒng)的實時

3、性要求，給出了一種基于PCA和LS-SVM的集成故障診斷方法。該方法先利用小波去噪方法對過程數(shù)據(jù)進行預處理，并利用PCA主元分析方法來實現(xiàn)過程監(jiān)控，當監(jiān)測到有故障發(fā)生時，再通過LS-SVM方法實現(xiàn)故障類型識別。該方法充分結(jié)合了PCA方法的在線監(jiān)控特性和LS-SVM在大樣本數(shù)據(jù)分類中表現(xiàn)出來的優(yōu)越性能，實現(xiàn)了在線故障監(jiān)控并能將故障準確地辨識分離出來。通過對Tennessee Eastman(TE)化工過程模型的仿真，驗證了該方法的優(yōu)越性。