基于改進極限學(xué)習(xí)機的復(fù)雜工業(yè)過程故障預(yù)測方法應(yīng)用研究.pdf

1、現(xiàn)代工業(yè)生產(chǎn)技術(shù)發(fā)展迅速，對生產(chǎn)要求也逐步提高，生產(chǎn)系統(tǒng)也逐漸向大規(guī)模化、復(fù)雜化、智能化和數(shù)字化發(fā)展。生產(chǎn)設(shè)備之間互相關(guān)聯(lián)，耦合度高，使得復(fù)雜系統(tǒng)故障特征呈現(xiàn)不確定性、非線性等特征。為了確保復(fù)雜工業(yè)系統(tǒng)正常進行，除了基于傳統(tǒng)的故障診斷技術(shù)，還要求在故障發(fā)生前能夠進行故障預(yù)測。故障預(yù)測技術(shù)是一種更先進的安全保障技術(shù)，現(xiàn)已逐步成為各個生產(chǎn)領(lǐng)域的研究重點。為此，本課題針對復(fù)雜系統(tǒng)的數(shù)據(jù)特征處理、神經(jīng)網(wǎng)絡(luò)建模、故障預(yù)測方法做了以下研究:

2、　　(1)針對時間序列數(shù)據(jù)，本文重點研究實際生產(chǎn)系統(tǒng)中的過程變量變化的特征，提出差分向量核主元分析(Differential Vector Kernel PrincipalComponent Analysis，DV-KPCA)的特征提取和重構(gòu)的方法。由于復(fù)雜系統(tǒng)的關(guān)系變量多，故障數(shù)據(jù)特征不明顯，通過DV-KPCA方法，將能夠利用核函數(shù)來解決復(fù)雜系統(tǒng)中的非線性映射問題，在高維空間中利用差分運算，從而對數(shù)據(jù)進行降維，最后達到消除冗余信息和特

3、征提取的目的。
　　(2)針對動態(tài)系統(tǒng)，本課題提出一種動態(tài)建模方法。在極限學(xué)習(xí)機算法(Extreme Learning Machine，ELM)基礎(chǔ)之上，對ELM的結(jié)構(gòu)進行改良，提出一種動態(tài)遞歸極限學(xué)習(xí)機算法(Dynamic Recurrent ELM，DR-ELM)，DR-ELM網(wǎng)絡(luò)在隱含層中增加了自反饋層，對隱含層輸出進行記憶，通過計算自反饋層存儲的歷史信息的趨勢變化，動態(tài)調(diào)整隱含層權(quán)值，使得DR-ELM具備對歷史數(shù)據(jù)信息處理

4、和映射動態(tài)特征的性能，提高模型的預(yù)測精度。
　　(3)針對數(shù)據(jù)在線訓(xùn)練學(xué)習(xí)問題，本課題重點研究在線極限學(xué)習(xí)機(Online Sequential ELM，OS-ELM)方法。在OS-ELM的網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上繼續(xù)進行改良，通過誤差反饋層和自反饋層的構(gòu)建，提出動態(tài)遞歸在線極限學(xué)習(xí)機(Dynamic Recurrent OS-ELM，DROS-ELM)。DROS-ELM的誤差反饋層融合現(xiàn)場誤差信息，實現(xiàn)神經(jīng)網(wǎng)絡(luò)根據(jù)實際誤差信息進行動態(tài)調(diào)整

5、，保證故障預(yù)測模型的精度;自反饋層通過提取數(shù)據(jù)歷史變化趨勢的信息，調(diào)整隱含層的輸出，解決數(shù)據(jù)時延對系統(tǒng)精度的影響。最后本文為驗證DROS-ELM的有效性，在TE過程上進行故障預(yù)測實驗，實驗結(jié)果表明，該方法能夠能保證較高的故障預(yù)測精度。
　　本文的研究結(jié)果表明，采用DV-KPCA特征提取算法對時間序列數(shù)據(jù)進行特征提取和重構(gòu)，能夠有效提升故障預(yù)測的效果。同時通過改進極限學(xué)習(xí)算法，構(gòu)建基于DROS-ELM的復(fù)雜工業(yè)過程故障預(yù)測模型，能夠