基于稀疏化支持向量机的啤酒酿造过程故障诊断的研究

摘要

化工生产过程往往具有非线性、时变、强耦合等特点，在过程监控中往往难以建立准确的解析模型，同时自动化控制系统在生产过程中可以采集记录大量的数据，这就促进了基于数据驱动的过程监控理论的发展。本文以典型间歇化工过程为背景，研究基于统计分析理论的故障检测方法，主要工作集中在对最小二乘支持向量机故障检测算法的改进。
　　采用最小二乘支持向量机进行故障诊断，针对最小二乘支持向量机算法中的稀疏性问题，采用聚类方法进行稀疏化处理。用聚类算法对数据进行预处理，使得LS-SVM方法具有与标准支持向量机相同的特性。
　　提出一种基于核空间距离聚类稀疏化最小二乘支持向量机故障诊断分类器，对啤酒发酵过程进行故障诊断。针对支持向量机诊断模型参数选择缺乏理论指导这一问题，采用粒子群优化算法，对模型的惩罚因子与核参数进行寻优，使得模型参数的选择直观、迅速，诊断模型的泛化能力得到了增强。
　　通过啤酒发酵过程数据进行了仿真研究，所提出的稀疏化模型在分类精准与训练时间上均有提升，且具有较好的抗干扰能力。可及时准确的诊断出故障类型。通过离线建模和仿真，证实了方法的有效性。

目录

声明

摘要

第1章 绪论

1．1 研究目的和意义

1．2 故障诊断技术

1．2．1 故障诊断技术内容

1．2．2 故障诊断方法

1．3 基于支持向量机的故障诊断方法

1．4 啤酒生产过程工艺及设备

1．4．1 啤酒发酵过程及生产工艺

1．4．2 啤酒发酵过程装置

1．4．3 传感器故障与啤酒发酵

1．5 本文主要研究内容及论文结构安排

第2章 支持向量机理论基础及核空间聚类

2．1 支持向量机

2．2 最小二乘支持向量机

2．3 核函数

2．4 聚类分析

2．4．1 发展情况

2．4．2 聚类分析分类

2．4．3 核空间聚类算法

2．5 本章小结

第3章 基于粒子群算法机支持向量机的参数寻优

3．1 支持向量机的参数寻优

3．2 粒子群算法

3．3 基于PSO优化的LS-SVM参数寻优

3．4 仿真实验

3．5 本章小结

第4章 基于聚类的稀疏化算法设计

4．1 最小二乘支持向量机稀疏化

4．2 基于核空间聚类的稀疏算法

4．2．1 算法描述

4．2．2 故障诊断算法步骤

4．3 仿真实验

4．4 本章小结

结论

参考文献

攻读硕士研究生期间取得的学术成果

致谢