基于扩散映射低维流形特征空间的过程故障检测方法

摘要

在现代化工生产中，及时、有效的检测和排除故障可以避免严重的后果的发生。由于现代工业生产通过各种传感器对设备进行检测，从而产生了大量高维非线性数据。针对数据的特性，流形学习方法在工业过程故障诊断领域方面得到了越来越多的科学工作者的重视。
　　考虑到化工过程的数据具有的非线性特点以及数据采集过程中的噪声干扰等问题，对扩散映射算法进行研究，主要研究内容包含以下几个方面:
　　1)针对线性方法对非线性数据的故障检测效果低的问题，研究扩散映射与SVM相结合的故障检测方法。该方法通过扩散映射算法对数据进行压缩处理来降低数据的存储成本，在此基础上将获取到的低维特征向量作为SVM模型的输入进行故障的模式识别。从整体上使得故障检测的快速性与准确性得到提高。利用标准的TE过程数据进行故障检测，验证算法的有效性。
　　2)由于SVM的识别效果受到其参数的影响较大。针对该问题利用人工鱼群算法对其进行参数的优化处理，提高算法的故障检测精度。并将其与粒子群算法、遗传算法相比较，用TE过程数据进行仿真证明了算法选择的合理性。
　　3)扩散映射算法是利用高斯核函数，通过计算样本点之间的欧式距离来衡量样本点之间的相似性。针对如何准确地度量样本之间相似性的问题，研究马氏距离的度量学习算法。目标是学习一个使得类间样本点的距离变大，同时使得类内样本点的距离变小的马氏矩阵，从而获得一个更加准确的、更加符合实际情况的权重矩阵来提高故障检测效果。通过实验验证了算法的有效性，并能够提升故障检测的效果。

目录

声明

摘要

第一章 绪论

1．1 课题相关背景与应用价值

1．2 故障检测的研究现状

1．3 流形学习的研究现状

1．4 目前存在的问题

1．5 本文主要研究内容

1．6 本章小结

第二章 数据降维与流形学习

2．1 引言

2．2 数据降维

2．3 本征维数估计

2．4 流形和流形学习

2．5 扩散映射

2．5．1 扩散映射原理

2．5．2 扩散映射降维

2．6 本章小结

第三章 基于扩散映射的支持向量机的故障检测

3．1 引言

3．2 支持向量机

3．2．1 硬边界分类

3．2．2 软边界分类

3．2．3 非线性分类

3．3 人工鱼群算法

3．3．1 人工鱼群算法的基本原理

3．3．2 人工鱼的基本行为描述

3．3．3 人工鱼群算法流程图

3．4 扩散映射与SVM相结合的故障检测

3．5 TE过程下的仿真

3．5．1 TE过程模型介绍

3．5．2 仿真分析

3．6 本章小结

第四章 基于马氏距离度量学习的扩散映射算法

4．1 引言

4．2 马氏距离的度量学习

4．3 基于马氏度量学习的扩散映射算法的SVM的故障检测

4．3．1 基于马氏距离度量学习的扩散映射算法

4．3．2 故障检测流程图

4．4 TE过程下的仿真

4．5 本章小结

第五章 总结与展望

参考文献

致谢