阳极焙烧炉故障预警方法研究

论文摘要

统计学习理论是建立在坚实的理论基础之上的，为解决小样本学习问题提供了统一的框架。支持向量机是一种基于统计学习理论的机器学习方法，它很好地执行了统计学习理论的结构风险最小化原则。支持向量机针对小样本情况所表现出来的优良性能引起了众多故障预警领域研究人员的注意，因为故障预警本身就是一种小样本情况在实际问题中的体现。支持向量机应用于故障预警最大的优势在于它适合于小样本决策，其学习方法的本质在于能够在有限特征信息情况下，最大限度地发掘数据中隐含的分类知识。从推广性的角度来看，更适用于故障预警这种实际的工程问题。针对阳极焙烧炉中存在的问题，运用支持向量机，提出了以加热架温度和烟道压力为特征输入向量，预测火道温度的故障预警的方法。为了满足故障预警所要求的精度，本文对阳极焙烧炉特征参数进行了校正。热电偶是重要的测温工具，用于测量温度样本，本文针对N型热电偶应用中存在的问题，提出了基于粒子群算法优化径向基神经网络（RBF-PSO）进行热电偶非线性校正的新方法。仿真结果表明，采用该方法比以往采用的BP网络和RBF网络方法具有更高的拟合精度；同时以阳极焙烧过程中燃烧室温度为对象进行了仿真和实际应用研究，取得了满意的结果。针对压力传感器在测量烟道压力中存在的问题，本文引入PSO算法，优化小波神经网络的权值和参数（PSO-WNN），达到提高压力传感器测量精度的目的。最后，将校正后的数据带入故障预警的模型中，以历史样本数据作为学习样本，有效预测了火道温度的输出趋势，并与生产工艺要求进行比较，得出是否满足生产要求的结论，从而解决了阳极焙烧中故障预警的问题。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 问题的提出
• 1.2 机器学习是推进智能化故障预警技术的关键
• 1.3 故障智能预警技术的发展概况
• 1.4 统计学习理论与故障预警
• 1.5 支持向量机的优点
• 1.6 支持向量机在故障智能预警中的研究现状
• 1.6.1 SVM机器学习算法的发展历史和现状
• 1.6.2 SVM机器学习算法的故障智能预警中的研究现状
• 1.7 本文研究的内容
• 第2章 阳极焙烧炉信号的检测与校正
• 2.1 引言
• 2.2 测温热电偶非线性校正的基本原理
• 2.3 热电偶被测量温度的预测与估计方法
• 2.3.1 RBF网络的原理和应用方法
• 2.3.2 PSO的原理与应用方法
• 2.3.3 RBF-PSO用于校正N型热电偶传感器的原理
• 2.4 仿真及应用结果
• 2.4.1 学习样本库的建立
• 2.4.2 仿真结果
• 2.4.3 实际应用结果
• 2.4.4 小结
• 2.5 压力传感器非线性校正的基本原理
• 2.6 排烟负压的预测与估计方法
• 2.6.1 小波神经网络
• 2.6.2 PSO-WNN用于校正排烟负压的方法
• 2.7 仿真研究
• 2.7.1 学习样本库的建立
• 2.7.2 仿真结果
• 2.8 小结
• 第3章 基于支持向量机的故障预警模型的研究
• 3.1 支持向量机的理论基础
• 3.1.1 统计学习理论的基础
• 3.1.2 支持向量机
• 3.1.3 最小二乘支持向量机
• 3.2 故障预警模型的研究
• 3.2.1 故障预警模型的建立
• 3.2.2 仿真研究
• 3.2.3 实际应用结果
• 3.3 小结
• 第4章 基于SVM的阳极焙烧炉故障预警的应用
• 4.1 引言
• 4.2 阳极焙烧的原理
• 4.3 支持向量机用于故障预警的研究
• 4.3.1 焙烧炉预警的基本思想
• 4.3.2 支持向量机用于预警的基本原理
• 4.4 仿真及应用结果
• 4.4.1 学习样本库的建立
• 4.4.2 仿真结果
• 4.4.3 实际应用的结果
• 4.5 系统硬件框图
• 4.6 小结
• 第5章 结论与展望
• 参考文献
• 致谢
• 附录A 攻读学位期间所发表的学术论文目录