基于混合算法的过程故障可拒绝模式分类方法研究

摘要

工业系统过程故障的存在常常会影响过程输出的质量，因此，准确地诊断过程故障能够有效提升过程输出的质量。然而工业系统过程模型的复杂性和较难获得的特点却为过程故障的诊断提出了不小的挑战。同时，由于过程变量小偏移所导致得过程故障类间重叠的问题，往往会降低故障“拒识”和“判别”过程的分类正确率，而且对于受重叠影响的非正态分布并且非线性可分的故障数据，传统的基于核函数的模式分类算法已经趋于失效。更为严重的是，当历史故障数据的类标签不可知时，没有类标签这样强形式的监督信息的支持，模式分类算法的故障“判别”结果往往令人无法接受。
　　针对上述问题，本文在总结前人优秀算法的基础上，利用数学分析方法，构建合理模型，提出了一系列新的算法。对于故障数据满足正态分布的情况，新算法RS能够有效提升SVDD算法对重叠故障的“拒识”性能。仿真结果表明，最大提升高达到0.4260，由0.5519提升到0.9779，新算法PFDA能够大幅提升FDA对重叠故障的“判别”性能，最大提升高达到46.83％，由52.65%提升到99.48%，以及新算法ReliefF-KAKA能够有效提升KSDA“判别”重叠故障的正确率。仿真结果表明，最大提升高达到40.35%，由52.65%提升到93%。
　　当故障数据不满足正态分布并且非线性可分时，对于类标签可用的情况，本文整合了Amari的核函数构建方法和Kernel Alignment优化准则，所形成的算法称作KAKA算法，该算法能够有效回避利用Fisher准则矩阵求逆所带来的奇点问题。通过人工数据测试，KAKA算法的判别正确率优于KSDA，最大提升高达到37.60%，由61.40%提升到99%。而对于类标签不可用的情况，本文提出基于边信息优化核函数的新算法SKK，能够有效提升经典KFCM-F和KSDA组合算法的正确率，最大提升高达到29.10%，由65.40%提升到94.50%。
　　本文问题的解决，不仅能够突破传统假设对模式分类算法使用的约束，而且研究产生的新算法和技术对于拓展过程故障诊断方法将具有重要的理论价值。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 引言

1.1选题背景及问题的提出

1.2选题意义

1.3文献综述

1.4论文内容与技术路线

1.5本文的创新点

第二章 基于Relief F和SVDD的重叠新故障拒识研究

2.1 问题描述

2.2 基本算法介绍

2.3 Relief F-SVDD(RS)算法研究

2.4 模拟数据的产生

2.5 验证方法

2.6 验证与对比

2.7 本章小结

第三章 基于主成分修整和Fisher判别分析的重叠故障判别研究

3.1问题描述

3.2 FDA与PCA对比分析

3.3 基于PCA修整的FDA

3.4 模拟数据的产生

3.5 验证方法

3.6 验证与对比

3.7 本章小结

第四章 基于核函数优化的故障数据判别研究

4.1 问题描述

4.2 相关算法介绍

4.3 新算法的介绍

4.4 模拟数据的产生

4.5 验证方法

4.6验证与对比

4.7 本章小结

第五章 基于边信息核函数优化的故障数据判别研究

5.1 问题描述

5.2 相关算法介绍

5.3 新算法的介绍

5.4 模拟数据的产生

5.5 验证方法

5.6 验证与对比

5.7 本章小结

第六章 总结与展望

参考文献

博士期间项目参与及学术成果

附录

致谢