基于ICa-SVM的啤酒发酵过程故障检测方法研究

摘要

过程监控在现代工业生产中扮演着十分重要的角色，过程监控的效果好坏直接影响工业的生产效率。统计过程监控是以多元统计为基础的一种数据驱动的方法，通过对过程进行监控，并对监控到的数据进行处理，可以获得正常工况下的情形，也可以检测和诊断监控过程中出现的异常情况，根据异常情况作出相应的处理以保证整个系统的运行、保证了生产效率。本文结合典型的间歇性化工生产过程即啤酒发酵过程为研究对象，由于ICA不能准确的对故障进行隔离，所以将ICA单独应用到啤酒发酵过程不能够精确的诊断出故障产生的具体原因。而SVM分类器能够对故障进行分离，但是容易造成错分问题，鉴于此，本文提出了一种ICA-SVM集成的故障诊断方法，并将其应用到啤酒发酵过程中。
　　主要工作为:
　　1.首先介绍啤酒发酵过程需要监测的变量和故障诊断的需要，并引进了ICA-SVM模型。
　　2.对独立成分分析算法以及估计原理进行介绍，并讨论了单独使用ICA的缺点，发现ICA难以准确的进行故障隔离。而SVM能够对数据进行分类，故引入了SVM，介绍了SVM的优缺点。
　　3.由于单独使用SVM容易造成错分的问题，本章提出一种ICA-SVM集成算法，选择过去几年的故障样本与正常样本进行仿真实验。
　　4.针对啤酒生产过程的几个关键变量温度、压力等因素对啤酒发酵过程的影响，将ICA-SVM故障诊断模型应用在啤酒的发酵过程中，通过实验数据来验证ICA-SVM的可行性。

目录

声明

摘要

第1章 绪论

1．1 课题的研究背景及意义

1．2 国内外的研究现状

1．2．1 故障诊断发展状况

1．2．2 过程监控的概念

1．3 啤酒生产与发酵过程监控与故障诊断的需求

1．4 本文主要研究内容

第2章 独立成分分析与支持向量机理论

2．1 独立成分分析

2．1．1 独立成分分析定义

2．1．2 独立性定义

2．1．3 ICA估计方法

2．1．4 ICA方法的步骤

2．1．5 ICA的算法

2．2 支持向量机原理

2．2．1 支持向量机特点

2．2．2 支持向量机的不足

2．3 本章小结

第3章 ICA—SVM过程监控方法与仿真

3．1 ICA和SVM集成故障诊断方法的提出

3．2 ICA和SVM集成故障诊断方法

3．2．1 独立成分分析算法

3．2．2 独立成分分析的在线故障检测方法

3．2．3 统计贡献率的在线故障识别方法

3．3 支持向量机(SVM)的故障诊断技术的概述

3．3．1 SVM的分类算法

3．3．2 多分类的支持向量机算法概述

3．3．3 基于ICA-SVM的故障诊断框架

3．3．4 ICA—SVM算法

3．4 ICA在线故障检测仿真实验

3．5 SVM的故障分类

3．6 本章小结

第4章 ICA-SVM故障诊断模型在啤酒发酵过程监控中的应用

4．1 实验室啤酒生产工艺

4．1．1 啤酒发酵原理

4．1．2 实验室啤酒生产和发酵装置简介

4．2 实验室啤酒生产和发酵装置控制系统简介

4．2．1 实验室啤酒发酵过程的数据采集与实验步骤

4．2．2 ICA-SVM在啤酒发酵过程中的仿真实验

4．3 本次实验结果与过去实验结果对比

4．4 本章小结

结论

参考文献

攻读硕士学位期间发表的成果

致谢