基于信息融合的TE过程故障诊断

摘要

随着科技水平的发展以及人类生活对化工产品多样化的需求，现代化工过程的生产规模与日俱增，生产过程更加趋于复杂化、自动化。自动化的生产过程虽然是人工智能进步的体现，但也加大了系统各个部分的耦合性，从而增加了系统发生故障的风险。本文针对现代化工生产过程的特点，提出一种将支持向量机( support vector machines，SVM)和人工神经网络相结合的信息融合故障诊断方法，将SVM和BP(Back Propagation)神经网络的初步诊断结果作为证据体，再利用D-S (Dempster-Shafer)证据理论对两个证据体进行融合处理得到新的诊断结论。　　本文以TE(Tennessee Eastman)过程为研究对象，以TE过程中的数据为实验仿真数据，主要完成了以下工作：　　(1)研究了主元分析(Principal Component Analysis，PCA)和SVM相结合的故障诊断方法。利用PCA对TE过程数据进行故障特征提取，然后使用交叉验证的方法对SVM的参数进行优化，从而对TE过程进行故障诊断。仿真结果表明，该法比单一的SVM法有更高的故障识别率，将这一方法的诊断结果作为D-S证据理论的一个证据体。　　(2)研究了PCA和BP神经网络相结合的故障诊断方法。利用PCA对TE过程数据进行故障特征提取，然后再使用BP网络进行故障诊断。仿真结果表明，该方法比单一的BP网络有更高的故障识别率，将这一方法的诊断结果作为D-S证据理论的另一个证据体。　　(3)针对D-S证据理论对证据体表示形式的要求，分别构造SVM和BP网络预测结果的概率输出形式，最后使用Dempster合成规则对两组证据体进行合成，得到基于信息融合方法的诊断结论。　　仿真结果表明，信息融合的方法在故障识别率方面优于PCA和SVM相结合的方法，同时也优于PCA和BP神经网络相结合的方法。

目录

第一个书签之前