基于KPCA与SVM的工业过程故障诊断方法的应用研究

论文摘要

为了保证工业过程的安全性,产品质量的稳定性,对生产过程进行在线监测,及时准确地进行故障诊断,已经成为目前过程控制领域一个重要研究方向。特别是基于数据的各种统计方法,由于其不依赖数学模型以及工业现场具有大量易获得的过程数据的原因而更具实用性。这一方法要求收集正常操作条件下,以及在各种故障状态下的历史数据。其诊断步骤包括故障检测和故障识别两步。本文详细介绍了工业过程中常用到的故障诊断方法,并分析其优缺点。以田纳西-伊斯曼化工工业过程（Tennessee-Eastman Process,简称TEP）为背景,详细分析了其工业过程。介绍了主元分析（Principle Component Analysis,简称PCA）及核主元分析（KernelPrinciple Component Analysis,简称KPCA）原理及其多元统计故障监测方法在TE中的应用。KPCA引入核函数的概念,将原始空间映射到高维的特征空间,在高维空间进行主元分析,使输入数据具有很好的可分性。将两种检测方法应用在TE过程中,得出基于KPCA的多元统计故障检测方法性能优于PCA。由于支持向量机（Support Vector Machine,简称SVM）方法具有理论完备、全局优化、泛化性能好等特点,具有很好的分类功能。本文在传统的SVM上进行改进,采用多个一对一SVM构造多值分类SVM。并将PCA、KPCA特征提取方法与SVM进行结合,将降维后的线性主元与非线性主元作为SVM输入进行训练和识别。并将其用在TE过程中,得出KPCA-SVM具有很好的故障诊断功能。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 工业过程故障诊断概况
• 1.1.1 工业过程故障诊断的意义
• 1.1.2 工业过程故障诊断的内容
• 1.1.3 工业过程故障诊断的步骤
• 1.1.4 国内外故障诊断的研究情况
• 1.2 工业过程故障诊断方法分类
• 1.2.1 基于数学模型的方法
• 1.2.2 不依赖于数学模型的方法
• 1.3 本文的主要工作
• 第2章 田纳西-伊斯曼工业过程
• 2.1 TE过程工艺流程图
• 2.2 TE过程变量
• 2.3 过程故障
• 2.4 数据集
• 2.5 本章小结
• 第3章 基于数据的故障检测方法
• 3.1 主元分析
• 3.1.1 主元分析方法的基本思想及涵义
• 3.1.2 提取主元的理论推导
• 3.1.3 主元个数的确定方法
• 3.1.4 提取主元的计算步骤
• 3.1.5 基于PCA的多元统计故障检测方法
• 3.2 核主元分析
• 3.2.1 核主元分析算法
• 3.2.2 核函数的选择
• 3.2.3 基于KPCA的故障检测方法
• 3.3 本章小结
• 第4章 统计学习理论和支持向量机
• 4.1 机器学习的基本问题
• 4.1.1 系统构成
• 4.1.2 经验风险最小化
• 4.1.3 复杂性与推广能力
• 4.2 统计学习理论
• 4.2.1 函数集的VC维
• 4.2.2 推广能力的界
• 4.2.3 结构风险最小化
• 4.3 支持向量机
• 4.3.1 线性支持向量机
• 4.3.2 非线性支持向量机
• 4.3.3 支持向量机与人工神经网络的比较
• 4.4 本章小结
• 第5章 KPCA与SVM在TEP故障诊断中的应用研究
• 5.1 PCA在TEP故障检测中的应用研究
• 5.1.1 PCA故障检测方法的训练过程
• 5.1.2 在线故障检测
• 5.1.3 检测结果分析
• 5.2 KPCA在TEP故障检测中的应用研究
• 5.2.1 KPCA故障检测方法的训练过程
• 5.2.2 KPCA在线检测
• 5.2.3 检测结果分析
• 5.2.4 PCA、KPCA故障检测效果对比分析
• 5.3 SVM在TEP故障诊断中的应用研究
• 5.3.1 多类支持向量机的设计
• 5.3.2 SVM在TEP过程中的应用研究
• 5.3.3 与特征提取相结合的SVM在TEP过程中的故障诊断
• 5.4 本章小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢