基于改進(jìn)半監(jiān)督SVM的流程工業(yè)故障診斷系統(tǒng)研究及實(shí)現(xiàn).pdf

1、流程工業(yè)過(guò)程的故障診斷對(duì)于抑制事故發(fā)生，減少經(jīng)濟(jì)損失具有重要的意義，工業(yè)過(guò)程監(jiān)控與診斷的自動(dòng)化、智能化已經(jīng)成為工業(yè)自動(dòng)控制領(lǐng)域的研究重點(diǎn)之一。隨著現(xiàn)代工業(yè)檢測(cè)手段的不斷進(jìn)步，過(guò)程數(shù)據(jù)的采集變得更加實(shí)時(shí)可靠?；跈C(jī)器學(xué)習(xí)和人工智能的故障診斷方法由于不依賴(lài)于精確的數(shù)學(xué)模型，引起了流程工業(yè)故障診斷領(lǐng)域?qū)＜覍W(xué)者的高度重視。同時(shí)，由于流程工業(yè)的復(fù)雜性，存在大量的未標(biāo)記過(guò)程狀態(tài)數(shù)據(jù)。如何將這些未標(biāo)記的數(shù)據(jù)應(yīng)用到故障診斷領(lǐng)域正受到越來(lái)越多的關(guān)注。本文

2、研究的基于改進(jìn)半監(jiān)督支持向量機(jī)(Support vectormachine，SVM)算法的流程工業(yè)故障診斷方法，就是將機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的支持向量機(jī)和半監(jiān)督學(xué)習(xí)思想用于實(shí)時(shí)故障診斷領(lǐng)域。
　　本文研究了支持向量機(jī)原理。將半監(jiān)督學(xué)習(xí)思想與支持向量機(jī)結(jié)合，提出了改進(jìn)的半監(jiān)督支持向量機(jī)算法，新算法將工業(yè)過(guò)程中無(wú)標(biāo)記樣本引入到支持向量機(jī)診斷模型的建立過(guò)程中，給出了新的無(wú)標(biāo)記樣本選擇機(jī)制，解決了診斷數(shù)據(jù)不平衡問(wèn)題，可動(dòng)態(tài)修改支持向量機(jī)超

3、平面，提高了故障診斷率。
　　針對(duì)現(xiàn)代流程工業(yè)的特點(diǎn)和需要，將本文提出的故障診斷新方法——基于改進(jìn)半監(jiān)督SVM的故障診斷方法應(yīng)用于典型的高爐冶煉過(guò)程和田納西(TennesseeEastman Process，TE)化工過(guò)程。進(jìn)行了大量的實(shí)驗(yàn)，并與其他SVM故障診斷方法進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果表明了本文新的半監(jiān)督支持向量機(jī)方法在利用無(wú)標(biāo)記樣本、改善分類(lèi)器性能上的優(yōu)勢(shì)以及應(yīng)用于流程工業(yè)故障診斷領(lǐng)域的有效性和可行性。
　　開(kāi)發(fā)了高爐故