遗传算法在间歇式反应釜故障诊断中的应用

论文摘要

间歇式反应过程是一种重要的化工生产过程,过程自身的非线性、时滞性和不确定性等因素决定了过程操作的复杂性和危险性。精细化工和生物制药等工业中设备的大型化和集成化发展,不断提高了间歇式反应过程故障诊断的重要性。本文提出了一种改进的遗传算法优化BP神经网络的故障诊断方法。神经网络具有非线性逼近能力及自学习能力,能够适应不确定系统的动态特性。特别是BP是神经网络具有结构简单、鲁棒性强及较高的模式识别能力等特点,在故障诊断中得到了广泛的应用,但是在训练过程中BP神经网络存在易陷入局部极值及收敛速度慢的缺陷。本文采用一种全局优化的遗传算法对BP神经网络参数进行优化,有效地改善了这一缺陷,建立了遗传算法优化BP神经网络的故障诊断模型。文章介绍了间歇式反应釜的工作原理、反应特性及故障诊断现状,阐述了BP神经网络的工作原理及算法特点,分析了其在故障诊断中的应用特点,而针对训练过程中BP神经网络存在陷入局部极值及收敛速度慢等缺陷,提出了利用具有全局优化特性的遗传算法优化网络参数的解决方案,并详细介绍了遗传算法的原理特性及实现过程。针对实际的反应釜故障诊断问题,文章中给出了遗传算法优化BP神经网络权值及阂值的具体实施步骤。最后通过分析反应釜故障特性确定BP神经网络结构,利用改进的遗传算法优化网络参数,通过设计故障模拟实验采集反应釜故障特征数据,利用BP神经网络训练数据,建立间歇式反应釜智能故障诊断系统。最后文章利用Matlab对间歇式反应釜进行故障诊断仿真,比较仿真结果得出,本文算法能够提高故障诊断准确率并且缩短故障诊断时间,有效地提高了故障诊断的精度和效率。因此本文方法在理论研究及工程实际层面均具有一定意义。

论文目录

• 摘要
• Abstract
• 引言
• 1 绪论
• 1.1 间歇式反应釜故障诊断的意义
• 1.2 故障诊断技术分类及研究现状
• 1.2.1 故障诊断技术分类
• 1.2.2 间歇式反应釜故障诊断现状
• 1.3 本文研究内容
• 2 研究对象介绍
• 2.1 间歇生产特性介绍
• 2.2 间歇式反应釜总体结构及反应原理
• 3 BP神经网络
• 3.1 神经网络概述
• 3.2 BP神经网络简介
• 3.3 BP神经网络工作原理
• 3.3.1 BP神经网络基本原理
• 3.3.2 BP神经网络激活函数
• 3.3.3 BP神经网络学习规则
• 3.4 BP算法的实现步骤
• 3.5 BP算法的缺陷及改进
• 4 遗传算法
• 4.1 遗传算法发展
• 4.2 遗传算法的基本思想及实现步骤
• 4.3 遗传操作
• 4.3.1 初始化种群
• 4.3.2 编码方式
• 4.3.3 适应度函数
• 4.3.4 遗传算子
• 4.4 遗传算法的特点
• 5 反应釜故障诊断仿真研究
• 5.1 系统故障诊断原理
• 5.2 间歇式反应釜故障特性分析
• 5.3 网络样本数据选取
• 5.3.1 间歇式反应釜故障特征数据采集
• 5.3.2 数据预处理
• 5.4 BP神经网络设计
• 5.5 遗传算法优化BP神经网络
• 5.5.1 编码方式
• 5.5.2 适应度函数设计
• 5.5.3 遗传算子选择
• 5.5.4 算法基本步骤
• 5.6 故障诊断算法性能比较
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢