基于組合KPCA與改進(jìn)ELM的工業(yè)過(guò)程故障診斷研究.pdf

1、隨著科學(xué)技術(shù)的發(fā)展，現(xiàn)代工業(yè)生產(chǎn)過(guò)程的復(fù)雜程度越來(lái)越高，系統(tǒng)中任何一個(gè)微小的環(huán)節(jié)出現(xiàn)異常，就可能導(dǎo)致整個(gè)系統(tǒng)的崩潰。因此，在現(xiàn)代工業(yè)生產(chǎn)過(guò)程中，如何采取有效措施保障系統(tǒng)運(yùn)行的安全性和可靠性，并對(duì)工業(yè)過(guò)程進(jìn)行有效監(jiān)控，已成為亟待解決的問(wèn)題?；谏鲜鲈颍瑢?duì)工業(yè)過(guò)程進(jìn)行故障診斷也就變得越來(lái)越重要。
　　本文以田納西-伊斯曼(TE)化工過(guò)程為背景，利用基于數(shù)據(jù)的方法圍繞工業(yè)過(guò)程故障診斷問(wèn)題展開(kāi)研究。在故障診斷中，故障特征提取和分類(lèi)是重要

2、的兩個(gè)部分，針對(duì)工業(yè)過(guò)程數(shù)據(jù)非線(xiàn)性和對(duì)實(shí)時(shí)性要求高等特點(diǎn)，從故障特征提取和分類(lèi)兩個(gè)方面對(duì)已有的算法進(jìn)行分析和改進(jìn)，并最終應(yīng)用到TE過(guò)程故障診斷中。本文的工作主要包括以下幾個(gè)方面：
　?、賹?duì)于故障特征提取，利用多變量統(tǒng)計(jì)方法進(jìn)行處理。首先對(duì)基于PCA的特征提取方法進(jìn)行了說(shuō)明；針對(duì)PCA在提取工業(yè)過(guò)程非線(xiàn)性數(shù)據(jù)特征信息的缺陷，引入了KPCA方法；針對(duì)傳統(tǒng)KPCA方法在進(jìn)行高維映射時(shí)采用單一核函數(shù)的局限性，提出了一種基于核函數(shù)組合的改進(jìn)

3、KPCA方法，即將高斯徑向基核函數(shù)與多項(xiàng)式核函數(shù)進(jìn)行加權(quán)作為新的核函數(shù)，改進(jìn)的特征提取方法同時(shí)具備全局核函數(shù)與局部核函數(shù)的優(yōu)勢(shì)，有更強(qiáng)的學(xué)習(xí)和泛化能力。然后，將三種統(tǒng)計(jì)分析方法應(yīng)用到TE過(guò)程故障檢測(cè)上，利用檢測(cè)結(jié)果對(duì)三種方法的特征提取能力進(jìn)行評(píng)估，驗(yàn)證了組合KPCA方法特征提取的有效性與優(yōu)越性。
　?、趯?duì)于分類(lèi)方法，由于工業(yè)過(guò)程對(duì)實(shí)時(shí)性要求較高，針對(duì)傳統(tǒng)分類(lèi)方法速度上的不足，本文引入了速度極快的極限學(xué)習(xí)機(jī)（ELM）算法。更進(jìn)一步，

4、由于傳統(tǒng)極限學(xué)習(xí)機(jī)的輸入權(quán)值W和隱層偏置b是隨機(jī)選取的，這可能導(dǎo)致ELM的神經(jīng)網(wǎng)絡(luò)模型輸出矩陣H不滿(mǎn)足列滿(mǎn)秩，使得模型的分類(lèi)精度和運(yùn)算速度出現(xiàn)下降。針對(duì)傳統(tǒng)ELM的這一缺陷，本文提出了一種改進(jìn)的ELM算法，在隨機(jī)選取輸入權(quán)值和隱層偏置的基礎(chǔ)上對(duì)權(quán)值和偏置進(jìn)行調(diào)整，從理論上保證輸出矩陣列滿(mǎn)秩的特性。將ELM和改進(jìn)ELM在UCI數(shù)據(jù)集上進(jìn)行了性能測(cè)試，結(jié)果表明改進(jìn)ELM具有更好的分類(lèi)效果和穩(wěn)定性。
　?、蹖⒔M合KPCA和改進(jìn)ELM結(jié)合