資源描述：
《基于組合kpca與改進(jìn)elm的工業(yè)過程故障診斷研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、基于組合KPCA與改進(jìn)ELM的工業(yè)過程故障診斷研究重慶大學(xué)碩士學(xué)位論文（學(xué)術(shù)學(xué)位）學(xué)生姓名：錢錕指導(dǎo)教師：張可副教授專業(yè)：控制科學(xué)與工程學(xué)科門類：工學(xué)重慶大學(xué)自動(dòng)化學(xué)院二O一六年四月ResearchonIndustrialProcessFaultDiagnosisBasedonCombinedKPCAandimprovedELMAThesisSubmittedtoChongqingUniversityinPartialFulfillmentoftheRequirementfortheMaster’sDegreeofEngineering
2、ByQianKunSupervisedbyAssociateProf.ZhangKeSpecialty：ControlScienceandEngineeringCollegeofAutomationofChongqingUniversity,Chongqing,ChinaApril,2016中文摘要摘要隨著科學(xué)技術(shù)的發(fā)展，現(xiàn)代工業(yè)生產(chǎn)過程的復(fù)雜程度越來越高，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)過程進(jìn)行有效監(jiān)控，已成為亟待解決的問題。
3、基于上述原因，對(duì)工業(yè)過程進(jìn)行故障診斷也就變得越來越重要。本文以田納西-伊斯曼(TE)化工過程為背景，利用基于數(shù)據(jù)的方法圍繞工業(yè)過程故障診斷問題展開研究。在故障診斷中，故障特征提取和分類是重要的兩個(gè)部分，針對(duì)工業(yè)過程數(shù)據(jù)非線性和對(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過程故障診斷中。本文的工作主要包括以下幾個(gè)方面：①對(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)行了說明；針對(duì)PCA在提取工業(yè)過程非線性數(shù)據(jù)特征信息的缺陷，引入了KPCA方法；針對(duì)傳統(tǒng)KPC
4、A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)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。②對(duì)于分類方法，由于工業(yè)過程對(duì)實(shí)時(shí)性要求較高，針對(duì)傳統(tǒng)分類方法速度上的不足，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，由于傳統(tǒng)極限學(xué)習(xí)機(jī)的輸入權(quán)值W和隱層偏
5、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不滿足列滿秩，使得模型的分類精度和運(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具有更好的分類效果和穩(wěn)定性。③將組合KPCA和改進(jìn)ELM結(jié)合起來構(gòu)建故障診斷模型，用組合KPCA對(duì)數(shù)據(jù)進(jìn)行特征提取，得到數(shù)據(jù)的非線性主元，在一定程度上消除了變量之間的相關(guān)性，然后利用改進(jìn)ELM對(duì)故障進(jìn)行分類。將組
6、合KPCA-SVM、組合KPCA-ELM、組合KPCA-改進(jìn)ELM三種方法應(yīng)用到TE過程故障診斷中，結(jié)果顯示組合KPCA-改進(jìn)ELM具有更好的診斷性能。I重慶大學(xué)碩士學(xué)位論文關(guān)鍵詞：故障特征提?。还收戏诸?；多變量統(tǒng)計(jì)方法；極限學(xué)習(xí)機(jī)；故障診斷II英文摘要ABSTRACTWiththedevelopmentofscienceandtechnology,thecomplexityofmodernindustrialprocessishigherandhigher.Thewholesystemmaycollapseifanysmallpart
7、ofthesystembecomesabnormal.Therefore,howtotakeeffectivemeasurestoensurethesecurityandreliabilityofthesystemandmonitortheindustrialprocesshavebecomeimportantproblems.Forthereasonsabove,faultdiagnosisofindustrialprocessbecomesmoreandmoreimportant.ThisthesisusesTennesseeEas
8、tman(TE)Processasthebackgroundandstudiesproblemsinindustrialprocessfaultdiagnosisbasedondata-drivenmeth
