基于支持向量機(jī)新算法的流程工業(yè)過程故障診斷方法研究.pdf

1、流程工業(yè)過程的故障診斷對于減少事故和經(jīng)濟(jì)損失具有重要的意義。但是，現(xiàn)有的一些故障診斷方法應(yīng)用于流程工業(yè)過程故障診斷效果不是太理想?；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)者的極大重視。基于統(tǒng)計學(xué)習(xí)理論的支持向量機(jī)表現(xiàn)出了優(yōu)良的分類性能，成為故障診斷領(lǐng)域的研究熱點之一。
　　本文圍繞支持向量機(jī)在流程工業(yè)故障診斷中應(yīng)用的問題，以高爐故障診斷和化工田納西過程(Tennessee E

2、astman Process，TEP)故障診斷為背景，提出了改進(jìn)的支持向量機(jī)的新算法，探索流程工業(yè)故障診斷的新方法。
　　本文研究了支持向量機(jī)的參數(shù)選擇和優(yōu)化問題，提出了基于最近鄰離散粒子群支持向量機(jī)(Nearest Neighbor Discrete Particle Swarm Optimization Support Vetor Machine,NN-DPSO-SVM)的故障診斷新方法。該方法對于帶有噪聲的訓(xùn)練集，應(yīng)用最近鄰

3、法去除一些用途不大的樣本，使得訓(xùn)練集得到修剪。同時，應(yīng)用改進(jìn)的離散粒子群算法優(yōu)化特征選擇和支持向量機(jī)參數(shù)，提高了支持向量機(jī)的性能和識別準(zhǔn)確率。
　　在對支持向量機(jī)性能評價標(biāo)準(zhǔn)問題深入研究的基礎(chǔ)上，本文提出了基于成本意識的最小二乘支持向量機(jī)的故障診斷新方法。在該方法中，提出新的成本意識公式，將其作為適應(yīng)函數(shù)。該適應(yīng)函數(shù)，可以全面地考慮支持向量機(jī)的精度、速度和支持向量的個數(shù)，能夠更好地衡量最小二乘支持向量機(jī)的泛化能力，優(yōu)化了特征向量和

4、最小二乘支持向量機(jī)的相關(guān)參數(shù)，縮短了分類時間。
　　本文研究了支持向量機(jī)的多類分類方法，提出了漸變二叉樹的多類分類新方法。該方法對SVM一對多多類分類方法進(jìn)行了改進(jìn)，在分類過程中克服了一對多分類方法的分類數(shù)目不均衡的不足之處。該方法基于故障樣本之間的距離公式，依據(jù)故障樣本所內(nèi)含的特點構(gòu)建了SVM二叉樹，符合實際中對故障分類的要求。將其應(yīng)用于高爐故障診斷實驗，得到了很好的分類效果。
　　流程工業(yè)過程不同狀態(tài)的數(shù)據(jù)樣本常常是不平

5、衡的，正常狀態(tài)的樣本數(shù)通常多于故障樣本數(shù)。由于標(biāo)準(zhǔn)的支持向量機(jī)對這類不平衡數(shù)據(jù)進(jìn)行分類，獲得的分類面并不一定是最優(yōu)的，將使分類器的推廣性能下降。為了解決這個問題，本文深入研究了不平衡數(shù)據(jù)的分類方法，提出了兩種新的方法。首先，本文提出可適應(yīng)支持向量機(jī)新算法。該算法由補(bǔ)少類算法和補(bǔ)全算法組成，主要是運(yùn)用可適應(yīng)的直推式支持向量機(jī)(adaptingtransductive support vector machine，ATSVM)和改進(jìn)的最近鄰

6、法。補(bǔ)少類算法選取了有意義的少類測試數(shù)據(jù)。這些樣本可以用于補(bǔ)充訓(xùn)練樣本的不足。但是，這些數(shù)據(jù)中也包含噪聲數(shù)據(jù)。因此，給出了改進(jìn)的最近鄰原則，清除噪聲樣本。補(bǔ)全算法選擇有價值的少類和多類測試樣本，將它們添加到訓(xùn)練集中。通過和補(bǔ)少類算法相似的方法去除噪聲數(shù)據(jù)。兩個算法都添加了測試樣本以便保持多類樣本和少類樣本之間的平衡。其次，本文提出可選支持向量機(jī)新算法。該方法是通過修剪訓(xùn)練集，加入無標(biāo)簽數(shù)據(jù)到訓(xùn)練集中，以補(bǔ)充訓(xùn)練樣本的缺乏，使訓(xùn)練集更具有