基于组合KPCA与改进ELM的工业过程故障诊断研究

摘要

随着科学技术的发展，现代工业生产过程的复杂程度越来越高，系统中任何一个微小的环节出现异常，就可能导致整个系统的崩溃。因此，在现代工业生产过程中，如何采取有效措施保障系统运行的安全性和可靠性，并对工业过程进行有效监控，已成为亟待解决的问题。基于上述原因，对工业过程进行故障诊断也就变得越来越重要。
　　本文以田纳西-伊斯曼(TE)化工过程为背景，利用基于数据的方法围绕工业过程故障诊断问题展开研究。在故障诊断中，故障特征提取和分类是重要的两个部分，针对工业过程数据非线性和对实时性要求高等特点，从故障特征提取和分类两个方面对已有的算法进行分析和改进，并最终应用到TE过程故障诊断中。本文的工作主要包括以下几个方面：
　　①对于故障特征提取，利用多变量统计方法进行处理。首先对基于PCA的特征提取方法进行了说明；针对PCA在提取工业过程非线性数据特征信息的缺陷，引入了KPCA方法；针对传统KPCA方法在进行高维映射时采用单一核函数的局限性，提出了一种基于核函数组合的改进KPCA方法，即将高斯径向基核函数与多项式核函数进行加权作为新的核函数，改进的特征提取方法同时具备全局核函数与局部核函数的优势，有更强的学习和泛化能力。然后，将三种统计分析方法应用到TE过程故障检测上，利用检测结果对三种方法的特征提取能力进行评估，验证了组合KPCA方法特征提取的有效性与优越性。
　　②对于分类方法，由于工业过程对实时性要求较高，针对传统分类方法速度上的不足，本文引入了速度极快的极限学习机（ELM）算法。更进一步，由于传统极限学习机的输入权值W和隐层偏置b是随机选取的，这可能导致ELM的神经网络模型输出矩阵H不满足列满秩，使得模型的分类精度和运算速度出现下降。针对传统ELM的这一缺陷，本文提出了一种改进的ELM算法，在随机选取输入权值和隐层偏置的基础上对权值和偏置进行调整，从理论上保证输出矩阵列满秩的特性。将ELM和改进ELM在UCI数据集上进行了性能测试，结果表明改进ELM具有更好的分类效果和稳定性。
　　③将组合KPCA和改进ELM结合起来构建故障诊断模型，用组合KPCA对数据进行特征提取，得到数据的非线性主元，在一定程度上消除了变量之间的相关性，然后利用改进ELM对故障进行分类。将组合KPCA-SVM、组合KPCA-ELM、组合KPCA-改进ELM三种方法应用到TE过程故障诊断中，结果显示组合KPCA-改进ELM具有更好的诊断性能。

目录

封面

中文摘要

英文摘要

目录

1 绪论

1.1 课题研究的背景及意义

1.2 故障诊断的概述及主要方法

1.3 工业过程故障诊断

1.4 本文的主要研究内容及论文结构

2 田纳西-伊斯曼工业过程描述

2.1 TE工业过程工艺流程

2.2 TE过程中的过程变量

2.3 TE过程的故障说明

2.4 TE过程数据集的产生

2.5 本章小结

3 基于多变量统计的故障特征提取方法研究

3.1 主元分析方法

3.2 核主元分析方法

3.3 基于核函数组合的改进KPCA分析方法

3.4 基于统计分析方法的故障特征提取效果评价

3.5 实验结果及分析

3.6 本章小结

4 基于极限学习机及其改进算法的分类方法研究

4.1 极限学习机理论

4.2 传统极限学习机的不足与改进方法

4.3 ELM和改进ELM性能验证

4.4 本章小结

5 基于组合KPCA与改进ELM的故障诊断研究

5.1 故障诊断模型的建立

5.2 基于组合KPCA与ELM的故障诊断仿真

5.3 基于组合KPCA与改进ELM的故障诊断仿真

5.4 本章小结

6 研究总结与展望

6.1 研究工作总结

6.2 研究工作展望

致谢

参考文献

附录

A. 攻读硕士学位期间发表的学术论文：

B. 攻读硕士学位期间申请的发明专利：

C. 攻读硕士学位期间参与的工程项目：