基于改进SVM的流程工业故障诊断方法研究及实现

论文摘要

工业生产过程的故障监控与诊断系统是流程工业的重要组成部分。一旦发生故障,将会造成人员、财产的巨大损失甚至灾难性的事故,因此工业过程的故障监控和诊断已成为控制领域研究的重点之一。本文研究的基于改进支持向量机（support vector machine, SVM）的故障诊断方法,是将人工智能和机器学习最年轻的理论——支持向量机用于故障诊断技术,能较充分地利用可测的过程数据,而不依赖于精确的数学模型。本文研究了支持向量机的原理与方法,讨论了支持向量机在故障诊断中处理大规模样本集所遇到的问题。将大规模样本集缩减策略与支持向量机相结合,提出了改进SVM的方法,并给出了大规模样本集缩减新策略,删除对分类器没有帮助或者帮助不大的样本——非支持向量,解决了支持向量机在训练样本集规模较大时,存在的学习速度慢、存储需求量大、泛化能力差等问题,并通过实验证明了改进SVM方法的优越性。引入缩减约束阈值,可在初始分类器分类准确度较低时,深入挖掘错分样本隐含的信息,提高最终分类器的分类准确率。为比较不同的样本集缩减算法,本文提出了一种新的缩减算法评价指标。个缩减算法的好坏,取决于它能否在缩短算法运行时间的情况下,保证最终的分类精度。针对时间和准确度不在一个数量级上而导致的无法直接比较问题,引入时间缩减比率和准确度变化率公式以科学地评价大规模样本集缩减效果,实验证明,通过对这两项评价指标的比较,可以较好地评价缩减算法。针对实际流程工业故障诊断面临的多类分类问题,将本文提出的SVM改进算法应用于多类分类,并应用于两个典型的流程工业。对TE（Tennessee Eastman Process）过程进行大量的故障诊断实验,验证了该诊断方法的良好性能。同时对高炉异常炉况进行诊断实验也得到了较好的结果,证明了基于改进SVM的流程工业故障诊断方法在实际应用上的有效性和可行性。采用VC++6.0结合SQL Sever2000,开发实现了基于改进SVM的高炉故障诊断系统,测试结果表明该系统的性能是基本令人满意的。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.1.1 流程工业发展现状及趋势
• 1.1.2 流程工业的特点
• 1.1.3 流程工业故障诊断意义
• 1.2 故障诊断技术
• 1.3 支持向量机算法发展及现状
• 1.4 本文主要研究内容及所做的工作
• 第2章 支持向量机
• 2.1 支持向量机原理
• 2.1.1 线性可分
• 2.1.2 线性不可分
• 2.1.3 非线性情况
• 2.2 支持向量机处理大规模样本集的常用算法
• 2.2.1 工作集方法
• 2.2.2 并行化方法
• 2.2.3 避免求解二次规划问题的方法
• 2.2.4 几何方法
• 2.2.5 训练集分解方法
• 2.2.6 增量学习方法
• 2.2.7 减少训练样本方法
• 2.3 本章小结
• 第3章 SVM改进新算法
• 3.1 大规模样本集缩减的必要性
• 3.2 现有大规模样本集缩减方法
• 3.3 SVM大规模样本集缩减新策略
• 3.4 大规模样本集缩减新算法步骤
• 3.5 SVM多类分类算法
• 3.5.1 直接求解法
• 3.5.2 一对余算法
• 3.5.3 一对一算法
• 3.5.4 决策导向无环图法
• 3.5.5 分级二叉决策树法
• 3.5.6 大规模样本集缩减新方法在多类分类中的应用
• 3.6 缩减新算法与其他缩减算法比较
• 3.7 新的缩减评价指标
• 3.8 本章小结
• 第4章 基于缩减新算法的TE过程故障诊断
• 4.1 TE过程
• 4.1.1 TE过程工艺流程图
• 4.1.2 TE过程变量
• 4.1.3 TE过程故障
• 4.2 故障样本采集
• 4.3 TE过程故障诊断
• 4.3.1 改进支持向量机算法的参数选择
• 4.3.2 故障诊断过程
• 4.3.3 故障诊断结果
• 4.3.4 实验结果分析
• 4.4 本章小结
• 第5章 基于缩减新算法的高炉故障诊断
• 5.1 高炉系统
• 5.1.1 高炉系统主要工艺环节
• 5.1.2 高炉系统的组成
• 5.1.3 高炉冶炼原理
• 5.2 高炉炉况分析
• 5.2.1 高炉运行主要参数
• 5.2.2 异常炉况
• 5.3 高炉故障诊断实验及分析
• 5.3.1 故障诊断过程
• 5.3.2 故障诊断结果
• 5.3.3 实验结果分析
• 5.4 本章小结
• 第6章 高炉故障诊断系统设计与实现
• 6.1 故障诊断系统用户需求分析
• 6.2 故障诊断系统设计目标
• 6.3 故障诊断系统的可行性
• 6.4 故障诊断系统设计
• 6.4.1 数据库设计
• 6.4.2 故障诊断系统总体设计
• 6.5 故障诊断系统实现
• 6.6 故障诊断系统测试
• 6.7 本章小结
• 第7章 结论与展望
• 7.1 结论
• 7.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间参加的科研工作
• 攻读硕士学位期间发表的论文及获奖情况