基于KPCA與SVM的工業(yè)過(guò)程故障診斷方法的應(yīng)用研究.pdf

1、為了保證工業(yè)過(guò)程的安全性，產(chǎn)品質(zhì)量的穩(wěn)定性，對(duì)生產(chǎn)過(guò)程進(jìn)行在線監(jiān)測(cè)，及時(shí)準(zhǔn)確地進(jìn)行故障診斷，已經(jīng)成為目前過(guò)程控制領(lǐng)域一個(gè)重要研究方向。特別是基于數(shù)據(jù)的各種統(tǒng)計(jì)方法，由于其不依賴數(shù)學(xué)模型以及工業(yè)現(xiàn)場(chǎng)具有大量易獲得的過(guò)程數(shù)據(jù)的原因而更具實(shí)用性。這一方法要求收集正常操作條件下，以及在各種故障狀態(tài)下的歷史數(shù)據(jù)。其診斷步驟包括故障檢測(cè)和故障識(shí)別兩步。
　　 本文詳細(xì)介紹了工業(yè)過(guò)程中常用到的故障診斷方法，并分析其優(yōu)缺點(diǎn)。以田納西-伊斯曼化工

2、工業(yè)過(guò)程(Tennessee-Eastman Process，簡(jiǎn)稱TEP)為背景，詳細(xì)分析了其工業(yè)過(guò)程。介紹了主元分析(Principle Component Analysis，簡(jiǎn)稱PCA)及核主元分析(KernelPrincipie Component Analysis，簡(jiǎn)稱KPCA)原理及其多元統(tǒng)計(jì)故障監(jiān)測(cè)方法在TE中的應(yīng)用。KPCA引入核函數(shù)的概念，將原始空間映射到高維的特征空間，在高維空間進(jìn)行主元分析，使輸入數(shù)據(jù)具有很好的可分性

3、。將兩種檢測(cè)方法應(yīng)用在TE過(guò)程中，得出基于KPCA的多元統(tǒng)計(jì)故障檢測(cè)方法性能優(yōu)于PCA。
　　 由于支持向量機(jī)(Support Vector Machine，簡(jiǎn)稱SVM)方法具有理論完備、全局優(yōu)化、泛化性能好等特點(diǎn)，具有很好的分類功能。本文在傳統(tǒng)的SVM上進(jìn)行改進(jìn)，采用多個(gè)一對(duì)一SVM構(gòu)造多值分類SVM。并將PCA、KPCA特征提取方法與SVM進(jìn)行結(jié)合，將降維后的線性主元與非線性主元作為SVM輸入進(jìn)行訓(xùn)練和識(shí)別。并將其用在TE過(guò)