基于人工神经网络的TE过程故障诊断与检测研究

论文摘要

随着现代工业技术的迅猛发展,生产过程越来越体现出连续、大批量、非线性、强耦合、时变、参数不确定等特性,故障发生的概率也不断增加,这导致现有的故障诊断方法无法适应对过程监控的要求,迫切需要发展和完善新的故障诊断方法和应对策略以保证生产过程的稳定运行。本文主要研究基于人工神经网络理论的复杂工业过程故障诊断方法,所完成的主要工作如下:1.对目前工业过程故障诊断技术的各种典型方法的研究现状及发展趋势进行了综述,并对各种方法的优缺点和适用对象进行了分析。2.研究了基于BP神经网络和概率神经网络的故障诊断方法。对于常规的BP算法收敛速度慢、目标函数容易陷入局部最小的问题,通过引入动量因子、学习率可变的BP算法,改进了算法性能;在概率神经网络方法中,径向基函数的分布密度SPREAD的确定影响着网络的性能,通过对不同SPREAD值的仿真结果对比分析确定适合的SPREAD值,可得到较好的诊断效果。3.基于PCA的神经网络改进故障诊断算法研究。针对网络输入样本过多会导致诊断结果不理想的现象,本文提出先用PCA处理样本数据,降低样本数据的维数,然后将处理后的样本数据输入到网络中,减小了网络模型的规模,加快了网络的运算速度,而且降低了误报率和漏检率,提高了神经网络方法的诊断准确性。全文算法采用TE过程为仿真平台进行算法的有效性验证。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 故障诊断技术的目的及意义
• 1.2 故障诊断的发展现状
• 1.3 本论文的主要研究内容
• 第2章 BP 神经网络和概率神经网络的基本理论
• 2.1 人工神经网络
• 2.1.1 人工神经网络模型
• 2.1.2 神经网络的学习方法
• 2.2 BP 神经网络
• 2.2.1 BP 算法
• 2.2.2 BP 神经网络的应用要点
• 2.3 概率神经网络
• 2.3.1 贝叶斯决策和密度函数核估计
• 2.3.2 其他拓扑结构
• 2.4 本章小结
• 第3章 基于神经网络的故障诊断方法
• 3.1 基于BP 神经网络的故障诊断方法
• 3.1.1 TE 过程
• 3.1.2 BP 神经网络的网络结构
• 3.1.3 BP 神经网络的训练过程
• 3.1.4 实验仿真
• 3.2 基于概率神经网络的故障诊断方法
• 3.2.1 概率神经网络的诊断原理
• 3.2.2 实验仿真
• 3.3 BP 神经网络和概率神经网络的比较
• 3.4 本章小结
• 第4章 基于PCA 的神经网络改进故障诊断算法研究
• 4.1 主元分析
• 4.2 基于PCA 的BP 神经网络故障诊断仿真
• 4.3 基于PCA 的概率神经网络故障诊断仿真
• 4.4 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢