基于改进半监督SVM的流程工业故障诊断系统研究及实现

论文摘要

流程工业过程的故障诊断对于抑制事故发生,减少经济损失具有重要的意义,工业过程监控与诊断的自动化、智能化已经成为工业自动控制领域的研究重点之一。随着现代工业检测手段的不断进步,过程数据的采集变得更加实时可靠。基于机器学习和人工智能的故障诊断方法由于不依赖于精确的数学模型,引起了流程工业故障诊断领域专家学者的高度重视。同时,由于流程工业的复杂性,存在大量的未标记过程状态数据。如何将这些未标记的数据应用到故障诊断领域正受到越来越多的关注。本文研究的基于改进半监督支持向量机(Support vector machine, SVM)算法的流程工业故障诊断方法,就是将机器学习和人工智能领域的支持向量机和半监督学习思想用于实时故障诊断领域。本文研究了支持向量机原理。将半监督学习思想与支持向量机结合,提出了改进的半监督支持向量机算法,新算法将工业过程中无标记样本引入到支持向量机诊断模型的建立过程中,给出了新的无标记样本选择机制,解决了诊断数据不平衡问题,可动态修改支持向量机超平面,提高了故障诊断率。针对现代流程工业的特点和需要,将本文提出的故障诊断新方法——基于改进半监督SVM的故障诊断方法应用于典型的高炉冶炼过程和田纳西(Tennessee Eastman Process, TE)化工过程。进行了大量的实验,并与其他SVM故障诊断方法进行了对比,实验结果表明了本文新的半监督支持向量机方法在利用无标记样本、改善分类器性能上的优势以及应用于流程工业故障诊断领域的有效性和可行性。开发了高炉故障诊断系统,在Windows XP环境下,采用组态王6.53、VB6.0与SQL Server2000相结合,根据实际生产需要,详细设计了系统各功能模块,实现了基于改进半监督SVM算法的高炉故障诊断系统。所开发的系统功能丰富,实用性较强。

论文目录

• 中文摘要
• Abstract
• 第1章 绪论
• 1.1 流程工业故障诊断的意义
• 1.2 流程工业故障诊断技术发展现状
• 1.3 半监督支持向量机的发展及现状
• 1.3.1 支持向量机的发展及现状
• 1.3.2 半监督支持向量机的发展及现状
• 1.4 本文主要研究内容及所做的工作
• 第2章 流程工业故障诊断
• 2.1 故障诊断基本概念
• 2.2 故障诊断方法
• 2.2.1 基于解析模型方法
• 2.2.2 基于信号处理方法
• 2.2.3 基于人工智能方法
• 2.3 支持向量机与故障诊断技术
• 2.3.1 故障诊断中的小样本问题
• 2.3.2 支持向量机故障诊断技术现状
• 2.4 本章小结
• 第3章 支持向量机与半监督学习算法
• 3.1 支持向量机算法
• 3.1.1 线性可分情形
• 3.1.2 线性不可分情形
• 3.1.3 核函数
• 3.2 半监督方法
• 3.3 半监督支持向量机
• 3.3.1 半监督支持向量机发展现状
• 3.3.2 直推式支持向量机
• 3.4 本章小结
• 第4章 改进的半监督SVM算法
• 4.1 故障数据不平衡问题
• 4.2 改进的半监督SVM算法
• 4.2.1 半标定样本的选择
• *的调节'>4.2.2 惩罚参数C^*的调节
• 4.2.3 本文的改进半监督SVM算法流程
• 4.3 本文改进的新算法在多类分类问题中的应用
• 4.4 本章小结
• 第5章 故障诊断实验及结果分析
• 5.1 高炉故障诊断实验及分析
• 5.1.1 高炉炼铁工艺
• 5.1.2 高炉炉况分析
• 5.1.3 高炉故障诊断内容
• 5.1.4 实验结果与分析
• 5.2 TE过程故障诊断实验及分析
• 5.2.1 TE过程
• 5.2.2 实验数据的采集
• 5.2.3 实验结果与分析
• 5.3 本章小结
• 第6章 高炉故障诊断系统
• 6.1 需求分析
• 6.2 高炉故障诊断系统开发方法
• 6.3 高炉故障诊断系统设计
• 6.3.1 数据库设计
• 6.3.2 系统总体设计
• 6.4 高炉故障诊断系统实现
• 6.4.1 高炉故障诊断功能模块
• 6.4.2 高炉运行监控功能模块
• 6.5 高炉故障诊断系统调试
• 6.6 高炉故障诊断系统性能
• 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项目及获得奖励
• 攻读硕士学位期间发表的论文