資源描述：
《基于改進ICA的工業(yè)過程故障診斷研究.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、2014年第3期工業(yè)儀表與自動化裝置基于改進ICA的工業(yè)過程故障診斷研究郭斌，齊金鵬(東華大學信息學院，上海201620)摘要：如今的工業(yè)過程系統(tǒng)結(jié)構(gòu)復雜設備精密度高，隨之而來的就是系統(tǒng)的高故障性，所以如何準確地檢測到故障的發(fā)生已經(jīng)成為一大難題。該文基于提高故障診斷性能的目的，提出一種DPCA—ICA的故障診斷方法。這種方法先采用DPCA對數(shù)據(jù)進行降維和去噪處理，得到能最大反映系統(tǒng)信息的低維數(shù)據(jù)，然后再通過ICA方法提取獨立元，進行故障診斷。仿真結(jié)果表明，改進后的ICA故障診斷方法不僅具有比傳統(tǒng)PCA
2、方法更低的故障誤報率，并且對一些PCA難以檢測的故障也有很好的診斷效果。關(guān)鍵詞：檢測故障；DPCA；ICA；獨立元中圖分類號：TP183文獻標志碼：A文章編號：1000—0682(2014)03—0011～05BasedontheimprovedICAfaultdiagnosisofindustrialprocessesGUOBin，QIJinpeng(CollegeofInformationandTechnique，OonghuaUniversity，Shanghai，201620，China)Ab
3、stract：Nowadays，Thestructureofindustrialprocesssystemiscomplexandtheequipmentispre·cise．Sothepossibilityoffaultishigh．Howtodetectthefaultexactlyhasbecomeamajorproblem．Basedonthepurposeofimprovingtheperformanceoffaultdiagnosis，weproposeaDPCA—ICAmethod．Th
4、emethodfirstuseDPCAfordatadimensionalityreductionandde·-noisingprocessingtoobtaintheinfor-mationwhichislargestlow-dimensionalandcanreflectthesystem’Sfeaturetoalargeextent，thenweex-tractindependentelementthroughICA，anduseitfordiagnosis．Simulationresultss
5、howthattheim—provedICAmethodhasalowerfailurerateoffalsepositivesthanthetraditionalPCAmethod，andhaveagoodeffectondetectingthecomplexfault．Keywords：detectfault；DPCA；ICA；independent為操作，但是對于非重復勞動、需要人工智慧介入的0引言工業(yè)生產(chǎn)故障診斷環(huán)節(jié)，機器人就完全無能為力了?，F(xiàn)代的自動化工控水平已經(jīng)上升到了一個相當文獻[1]給
6、出了我國曾經(jīng)發(fā)生過的特大工業(yè)故障的的高度，過去工程師或操作工人盯著指針式儀表，根案例和統(tǒng)計數(shù)據(jù)，結(jié)果觸目驚心。所以，發(fā)展具有良據(jù)現(xiàn)場系統(tǒng)運行情況對各個環(huán)節(jié)(如流量、原來進好診斷性能的故障診斷技術(shù)是關(guān)系到民生的大計，給等)實行反復操作的情景已經(jīng)一去不復返了。現(xiàn)刻不容緩。在許多工廠通過編程，讓機械臂、機械人進行自動化當工業(yè)生產(chǎn)過程發(fā)生故障時，必然表現(xiàn)出與之生產(chǎn)，代替了原來的純?nèi)斯し磸筒僮?，解放了生產(chǎn)對應的故障征兆(癥狀)，如流量、溫度信號曲線發(fā)力。雖然生產(chǎn)各環(huán)節(jié)已經(jīng)可由各種各樣的機器人代生變化，這些征兆是
7、故障信息的重要組成部分，蘊含著大量的故障信息。為全面地反映系統(tǒng)真實運行狀收稿日期：2013—10—08態(tài)，把從不同角度觀測到的故障征兆記錄下來，構(gòu)成基金項目：國家自然科學基金項目(61104154)；中央高?；緦墓收蠘颖荆俨捎酶鞣N先進的故障診斷算法科研業(yè)務費專項資金資助。對故障進行診斷。作者簡介：郭斌(1987)，男，上海市人，碩士研究生，主要研究領(lǐng)由于多元分析、神經(jīng)網(wǎng)絡、人工智能的發(fā)展，近域為故障診斷?！2·工業(yè)儀表與自動化裝置2014年第3期些年涌現(xiàn)出了許多故障診斷算法J。其中主元分=t
8、A～ty=xPAPX(3)析法(principalcomponentanalysis，PCA)以其便于SPE=eTe(4)實施，簡單易懂的特點在工業(yè)過程故障診斷中獲得式中：A為diag(A，A：，?，A)的對角矩陣，e=(J—了廣泛應用J。但是，PCA也有如下2個缺點：(1)PP)X，P是由k個負荷向量組成的矩陣。式(3)中對樣本進行處理時，默認樣本之問采樣獨立，不存在的統(tǒng)計量被稱為統(tǒng)計量，式(4)中的統(tǒng)計量被稱相關(guān)性，忽略了系統(tǒng)的動態(tài)性能；(2)實際使
