基于模式識別的流程工業(yè)生產(chǎn)在線故障診斷若干問題研究.pdf

1、隨著流程工業(yè)系統(tǒng)不斷地朝著大規(guī)?；?fù)雜化與智能化方向發(fā)展，研究與設(shè)計一個快速有效的在線智能故障診斷系統(tǒng)，使其具備在線故障檢測、在線故障診斷、在線識別引起故障發(fā)生的相關(guān)監(jiān)控變量以及在線學(xué)習(xí)更新系統(tǒng)認(rèn)知能力的功能，正在成為流程工業(yè)及系統(tǒng)科學(xué)智能領(lǐng)域的一個重要研究課題。利用該系統(tǒng)，專家工程人員可以快速地對流程工業(yè)系統(tǒng)進(jìn)行在線故障檢測診斷，從而有效地保證企業(yè)生產(chǎn)的安全運行，最終達(dá)到提高企業(yè)生產(chǎn)效率的目的。目前，隨著計算機(jī)集成過程系統(tǒng)(Comp

2、uter Integrated Process System，CIPS)的發(fā)展，流程工業(yè)系統(tǒng)在運行過程中，有大量的過程數(shù)據(jù)被采集和保存下來。如何充分利用這些數(shù)據(jù)的深層次信息，來進(jìn)一步提高故障檢測與診斷能力，正在成為研究在線智能故障診斷系統(tǒng)的一個熱點。 本論文主要以支持向量數(shù)據(jù)描述(Support Vector Data Description，SVDD)與隨機(jī)森林(Random Forests，RF)模式識別工具為基礎(chǔ)，對流程工

3、業(yè)在線故障診斷的若干問題進(jìn)行研究，其具體內(nèi)容如下： (1)針對SVDD的核參數(shù)σ優(yōu)化及其決策邊界規(guī)整問題，提出了基于核樣本球形分布的核參數(shù)優(yōu)化方法與基于核主元分析(Kernel Principal ComponentAnalysis，KPCA)的SVDD決策邊界規(guī)整方法。核參數(shù)優(yōu)化方法主要利用測量核空間樣本的非高斯性值，來尋找較優(yōu)的核參數(shù)。當(dāng)核參數(shù)選定之后，核空間的樣本可能存在分布不均勻的現(xiàn)象，針對此問題，本文進(jìn)一步利用KPCA

4、來調(diào)整決策邊界線，以使得SVDD達(dá)到更優(yōu)的分類性能。 (2)針對SVDD處理大數(shù)據(jù)樣本時存在時間復(fù)雜度較大的問題，提出了一種隨機(jī)蠶食快速增量式支持向量數(shù)據(jù)描述算法(Random Greed Incremental SVDD，RGInc-SVDD)。首先，該算法利用隨機(jī)抽樣定理(Sampling Lemma， SL)把訓(xùn)練樣本集分割成一些小訓(xùn)練集，然后將其中某一子訓(xùn)練集用來建模一子Inc-SVDDi分類器，最后利用迭代蠶食算法來合

5、并增長子Inc-SVDDi分類器，以生成整個訓(xùn)練集的SVDD分類器。RGInc-SVDD算法使得標(biāo)準(zhǔn)SVDD的時間復(fù)雜度從O(n3)降到O(floor(n/k)3)，其中n，k分別為訓(xùn)練集的樣本數(shù)與迭代過程中的平均蠶食樣本數(shù)。 (3)針對SVDD決策邊界的過嚴(yán)格問題，提出了一種核最小體積橢球體數(shù)據(jù)描述方法(Kemel Minimum Volume Enclosing Ellipsoid，KMVEE)。KMVEE采用的是與SVDD

6、類似的思想，即在核空間中尋找一個最小體積的超球體來盡可能多地包含核映射樣本，并以該球體作為界面來對數(shù)據(jù)進(jìn)行描述。在相同的核參數(shù)設(shè)置下，KMVEE能夠生成比SVDD更緊湊的決策邊界，這使得其性能得到進(jìn)一步地改善。 (4)針對可認(rèn)知故障(即落于超球體內(nèi)的故障樣本Xinside)的診斷分類問題，提出了一種拒絕式轉(zhuǎn)導(dǎo)推理多類支持向量數(shù)據(jù)描述方法(Rejected Transductive Inference Multi-SVDD，RTI

7、M-SVDD)。該方法應(yīng)用M+1個超球體來處理M分類問題，及利用了轉(zhuǎn)導(dǎo)推理思想原則來評判模糊樣本點的類別歸屬問題。RTIM-SVDD相對于距離式M-SVDD，性能具有進(jìn)一步地提高。 (5)針對不可認(rèn)知故障的聚類問題(即落于超球體外的樣本Xoutside)，提出了一種改進(jìn)支持向量聚類(Support Vector Clustering，SVC)方法。該方法主要利用最速下降梯度法來尋找樣本的局部最小點，以生成樣本不變集，并利用三線完

8、全圖(Three Line Completed Graph，TLCG)來標(biāo)識不變集的簇標(biāo)簽。其時間復(fù)雜度從O(n2m)降到O(n2opm)，其中m為連線取樣數(shù)，nop為局部最優(yōu)點個數(shù)。 (6)針對不可認(rèn)知故障的故障定位問題，提出了一種基于RTIM-SVDD的故障定位方法及基于改進(jìn)隨機(jī)森林RF的故障定位方法。基于RTIM-SVDD的方法主要通過性能指數(shù)PROC的大小來進(jìn)行故障定位；基于改進(jìn)RF的方法，主要通過改進(jìn)Bagging抽取

9、方式、決策樹分類以及樣本變量重要性法則來生成一改進(jìn)隨機(jī)森林，并通過其變量重要性來進(jìn)行故障定位。 以上所有方法的有效性驗證，都是基于以下三個數(shù)據(jù)源：UCI標(biāo)準(zhǔn)數(shù)據(jù)、TEP(Tennessee Eastman Process，TEP)故障仿真數(shù)據(jù)以及基于現(xiàn)實故障仿真數(shù)據(jù)QAMADICS(Development and Application of Methods for Actuator Diagnosis in Industria