基于改進(jìn)SVM的工業(yè)過(guò)程故障診斷方法研究.pdf

1、現(xiàn)代工業(yè)過(guò)程的規(guī)模不斷擴(kuò)大和復(fù)雜程度日益提高，系統(tǒng)故障類型種類多，多元化，因此，對(duì)設(shè)備的運(yùn)行狀態(tài)進(jìn)行準(zhǔn)確、有效地故障檢測(cè)和故障診斷是十分必要的。為了提高故障診斷算法的性能，本文提出基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)-及時(shí)學(xué)習(xí)(JITL)-改進(jìn)萬(wàn)有引力搜索算法(IGSA)-遞推最小二乘支持向量機(jī)(RLSSVM)的工業(yè)過(guò)程故障診斷算法。
　　目前所采用的工業(yè)過(guò)程故障診斷算法主要是基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷算法，而從工業(yè)過(guò)程中采集的數(shù)據(jù)往往會(huì)因?yàn)橥?/p>

2、界工況或其設(shè)備本身等的影響含有噪聲。因此，要對(duì)采集的數(shù)據(jù)進(jìn)行去噪處理。傳統(tǒng)的去噪方法不能很好的對(duì)非平穩(wěn)、非線性的數(shù)據(jù)進(jìn)行去噪。本文應(yīng)用具備很強(qiáng)的非平穩(wěn)信號(hào)分解能力的EMD算法對(duì)數(shù)據(jù)進(jìn)行去噪處理，它將數(shù)據(jù)分解成一系列的獨(dú)立成分，通過(guò)對(duì)獨(dú)立成分進(jìn)行處理得到去噪后的數(shù)據(jù)。當(dāng)處理大量數(shù)據(jù)時(shí)，傳統(tǒng)方法不能及時(shí)有效的建模，而且模型也不能隨著工況的變化及時(shí)更新，因此本文采用JITL算法來(lái)解決模型及時(shí)更新的問(wèn)題。JITL算法將大量正常工況下采集的原始數(shù)

3、據(jù)當(dāng)作參考數(shù)據(jù)集，應(yīng)用距離法在參考數(shù)據(jù)集中找到小樣本待檢測(cè)數(shù)據(jù)集的相關(guān)數(shù)據(jù)集，將大量數(shù)據(jù)轉(zhuǎn)換為小樣本數(shù)據(jù)從而使模型可以快速更新，提高算法建模的效率和故障診斷的性能。
　　在故障診斷中，模型中的參數(shù)對(duì)診斷性能有重大影響。本文采用IGSA算法對(duì)診斷模型中的參數(shù)進(jìn)行優(yōu)化。標(biāo)準(zhǔn)GSA算法有收斂速度慢且易陷入局部最優(yōu)等缺點(diǎn)，為克服上述缺點(diǎn)提出基于混沌算法和自適應(yīng)權(quán)重的改進(jìn)GSA算法來(lái)優(yōu)化模型中的參數(shù)?；谏鲜龇治鎏岢?EMD-JITL-IG