基于模糊聚类的间歇过程故障诊断的研究

摘要

间歇过程具有非线性、时变、强耦合等特点，难以准确建立过程监控模型。而基于数据驱动的监控模型是通过对生产过程数据进行处理，分析隐含信息来对复杂过程的运行状态进行检测、分析、评价及处理的，具有较好的准确性和适应性。本文以啤酒发酵过程这一典型间歇生产过程作为对象，基于聚类分析理论研究间歇过程的故障诊断算法，并通过仿真实验验证了所用改进算法的性能。
　　1、针对模糊C均值聚类故障诊断算法对于非球状或椭球状数据集聚类效果不佳的问题，利用核方法理论对FCM聚类算法进行优化，将输入数据映射到高维特征空间，达到放大数据集中样本间的差异，提高算法对于非球状或椭球状数据集分类准确度的目的。
　　2、针对FCM算法对初始值敏感并易陷入局部最优值这个问题，利用粒子群优化(PSO)方法找出聚类中心全局最优解，克服了FCM算法对初始值随机选取和易陷入局部最优的缺陷，对FCM算法进行了改进，提高了性能。
　　3、以啤酒发酵过程为对象通过仿真实验对所用的故障诊断算法的有效性进行了验证，PSO-KFCM算法与KFCM和FCM诊断模型的对比实验结果表明PSO-KFCM故障诊断算法的准确度有显著提高。

目录

声明

摘要

第1章 绪论

1．2．1 故障诊断技术的国内外现状

1．2．2 故障诊断技术的研究内容

1．3 本文的主要研究内容

第2章 基于聚类算法的间歇过程故障诊断

2．1 聚类分析理论基础

2．1．1 聚类分析数学描述

2．1．2 数据间的相似性度量

2．1．3 聚娄方法的分类

2．1．4 模糊聚类

2．1．5 模糊C均值聚类算法(FCM)

2．2 间歇过程故障诊断研究对象

2．2．1 啤酒发酵过程及生产工艺

2．2．2 啤酒生产过程装置

2．3 过程装置故障介绍

2．4 本章小结

第3章 基于KFCM聚类算法的间歇过程故障诊断

3．1 核函数简介

3．2 核函数理论

3．2．1 核函数理论的定义

3．2．2 核函数的基本原理

3．2．3 核函数的选择

3．3 基于核函数的模糊C均值(KFCM)聚类算法

3．4 仿真实验

3．5 本章小结

第4章 基于粒子群优化KFCM聚类算法的间歇过程故障诊断

4．1 粒子群优化算法

4．1．1 算法原理

4．1．2 PSO算法流程

4．2 基于粒子群优化的KFCM聚类算法

4．2．1 算法原理

4．2．2 PSO-KFCM算法步骤

4．3 仿真实验

4．4 本章小结

结论

参考文献

攻读硕士学位期间取得的学术成果

致谢