基于模式識(shí)別的流程工業(yè)生產(chǎn)在線故障診斷若干問(wèn)題研究.pdf

1、隨著流程工業(yè)系統(tǒng)不斷地朝著大規(guī)模化、復(fù)雜化與智能化方向發(fā)展，研究與設(shè)計(jì)一個(gè)快速有效的在線智能故障診斷系統(tǒng)，使其具備在線故障檢測(cè)、在線故障診斷、在線識(shí)別引起故障發(fā)生的相關(guān)監(jiān)控變量以及在線學(xué)習(xí)更新系統(tǒng)認(rèn)知能力的功能，正在成為流程工業(yè)及系統(tǒng)科學(xué)智能領(lǐng)域的一個(gè)重要研究課題。利用該系統(tǒng)，專家工程人員可以快速地對(duì)流程工業(yè)系統(tǒng)進(jìn)行在線故障檢測(cè)診斷，從而有效地保證企業(yè)生產(chǎn)的安全運(yùn)行，最終達(dá)到提高企業(yè)生產(chǎn)效率的目的。目前，隨著計(jì)算機(jī)集成過(guò)程系統(tǒng)(Comp

2、uter Integrated Process System，CIPS)的發(fā)展，流程工業(yè)系統(tǒng)在運(yùn)行過(guò)程中，有大量的過(guò)程數(shù)據(jù)被采集和保存下來(lái)。如何充分利用這些數(shù)據(jù)的深層次信息，來(lái)進(jìn)一步提高故障檢測(cè)與診斷能力，正在成為研究在線智能故障診斷系統(tǒng)的一個(gè)熱點(diǎn)。 本論文主要以支持向量數(shù)據(jù)描述(Support Vector Data Description，SVDD)與隨機(jī)森林(Random Forests，RF)模式識(shí)別工具為基礎(chǔ)，對(duì)流程工

3、業(yè)在線故障診斷的若干問(wèn)題進(jìn)行研究，其具體內(nèi)容如下： (1)針對(duì)SVDD的核參數(shù)σ優(yōu)化及其決策邊界規(guī)整問(wèn)題，提出了基于核樣本球形分布的核參數(shù)優(yōu)化方法與基于核主元分析(Kernel Principal ComponentAnalysis，KPCA)的SVDD決策邊界規(guī)整方法。核參數(shù)優(yōu)化方法主要利用測(cè)量核空間樣本的非高斯性值，來(lái)尋找較優(yōu)的核參數(shù)。當(dāng)核參數(shù)選定之后，核空間的樣本可能存在分布不均勻的現(xiàn)象，針對(duì)此問(wèn)題，本文進(jìn)一步利用KPCA

4、來(lái)調(diào)整決策邊界線，以使得SVDD達(dá)到更優(yōu)的分類性能。 (2)針對(duì)SVDD處理大數(shù)據(jù)樣本時(shí)存在時(shí)間復(fù)雜度較大的問(wèn)題，提出了一種隨機(jī)蠶食快速增量式支持向量數(shù)據(jù)描述算法(Random Greed Incremental SVDD，RGInc-SVDD)。首先，該算法利用隨機(jī)抽樣定理(Sampling Lemma， SL)把訓(xùn)練樣本集分割成一些小訓(xùn)練集，然后將其中某一子訓(xùn)練集用來(lái)建模一子Inc-SVDDi分類器，最后利用迭代蠶食算法來(lái)合

5、并增長(zhǎng)子Inc-SVDDi分類器，以生成整個(gè)訓(xùn)練集的SVDD分類器。RGInc-SVDD算法使得標(biāo)準(zhǔn)SVDD的時(shí)間復(fù)雜度從O(n3)降到O(floor(n/k)3)，其中n，k分別為訓(xùn)練集的樣本數(shù)與迭代過(guò)程中的平均蠶食樣本數(shù)。 (3)針對(duì)SVDD決策邊界的過(guò)嚴(yán)格問(wèn)題，提出了一種核最小體積橢球體數(shù)據(jù)描述方法(Kemel Minimum Volume Enclosing Ellipsoid，KMVEE)。KMVEE采用的是與SVDD

6、類似的思想，即在核空間中尋找一個(gè)最小體積的超球體來(lái)盡可能多地包含核映射樣本，并以該球體作為界面來(lái)對(duì)數(shù)據(jù)進(jìn)行描述。在相同的核參數(shù)設(shè)置下，KMVEE能夠生成比SVDD更緊湊的決策邊界，這使得其性能得到進(jìn)一步地改善。 (4)針對(duì)可認(rèn)知故障(即落于超球體內(nèi)的故障樣本Xinside)的診斷分類問(wèn)題，提出了一種拒絕式轉(zhuǎn)導(dǎo)推理多類支持向量數(shù)據(jù)描述方法(Rejected Transductive Inference Multi-SVDD，RTI

7、M-SVDD)。該方法應(yīng)用M+1個(gè)超球體來(lái)處理M分類問(wèn)題，及利用了轉(zhuǎn)導(dǎo)推理思想原則來(lái)評(píng)判模糊樣本點(diǎn)的類別歸屬問(wèn)題。RTIM-SVDD相對(duì)于距離式M-SVDD，性能具有進(jìn)一步地提高。 (5)針對(duì)不可認(rèn)知故障的聚類問(wèn)題(即落于超球體外的樣本Xoutside)，提出了一種改進(jìn)支持向量聚類(Support Vector Clustering，SVC)方法。該方法主要利用最速下降梯度法來(lái)尋找樣本的局部最小點(diǎn)，以生成樣本不變集，并利用三線完

8、全圖(Three Line Completed Graph，TLCG)來(lái)標(biāo)識(shí)不變集的簇標(biāo)簽。其時(shí)間復(fù)雜度從O(n2m)降到O(n2opm)，其中m為連線取樣數(shù)，nop為局部最優(yōu)點(diǎn)個(gè)數(shù)。 (6)針對(duì)不可認(rèn)知故障的故障定位問(wèn)題，提出了一種基于RTIM-SVDD的故障定位方法及基于改進(jìn)隨機(jī)森林RF的故障定位方法?；赗TIM-SVDD的方法主要通過(guò)性能指數(shù)PROC的大小來(lái)進(jìn)行故障定位；基于改進(jìn)RF的方法，主要通過(guò)改進(jìn)Bagging抽取

9、方式、決策樹分類以及樣本變量重要性法則來(lái)生成一改進(jìn)隨機(jī)森林，并通過(guò)其變量重要性來(lái)進(jìn)行故障定位。 以上所有方法的有效性驗(yàn)證，都是基于以下三個(gè)數(shù)據(jù)源：UCI標(biāo)準(zhǔn)數(shù)據(jù)、TEP(Tennessee Eastman Process，TEP)故障仿真數(shù)據(jù)以及基于現(xiàn)實(shí)故障仿真數(shù)據(jù)QAMADICS(Development and Application of Methods for Actuator Diagnosis in Industria