基于KICA与SVM的故障检测与诊断的研究

论文摘要

随着过程工业的发展,故障检测与诊断已成为了一个至关重要的问题。人们希望通过检测、诊断并处理故障状况实现故障的及时排除,从而避免故障进程,降低成本损失。由于复杂工业系统难以建立精确的数学模型,而在生产中往往记录了大量的过程数据,因此基于数据的方法近年来受到了广泛的关注。本文研究了基于KICA-SVM的故障检测与诊断方法。主要工作如下：首先,本文对现有的故障检测与诊断的方法进行概述,重点分析和研究了传统KICA-SVM所包含的各算法的原理和应用。传统KICA-SVM算法利用核主元分析对数据进行白化和降维,得到数据的整体分布特性。利用独立元分析进行数据的特征提取,得到过程数据中隐藏的非高斯信息,得到数据的动态分布特性。利用核密度估计对核独立元进行概率密度估计。通过设定置信限得到置信区间,从而进行故障检测。考虑机器学习领域结构风险概念,利用支持向量机对多个故障数据进行分类,从而进行故障诊断。但是由于处于被控状态系统的暂态过程之间和稳态过程的数据分布差异较大,根据整体过程数据设计的传统KICA-SVM方法无法在各个分段过程达到最好的检测与诊断效果。其次,为解决上述问题,本文提出了一种分段KICA-SVM方法：根据核独立元的体现数据分布的动态特性,采用一种分段方法对核独立元分段,从而在不同分段设计最优的检测与诊断策略。在TE过程的仿真中验证了方法的有效性,取得了较传统方法更好的效果。但KICA得到的核独立元包含着大量相似数据,使得SVM的训练和诊断需要耗费大量的资源和时间。再次,为解决上述问题,本文提出了一种KICA-K聚类-SVM方法：这里用K均值聚类方法对核独立元进行聚类分析,去除相似数据,使得SVM训练和诊断所消耗的资源和时间大幅的削减,但准确率有所降低。由此,考虑将分段KICA-SVM与KICA-K聚类-SVM两者结合,提出了一种分段KICA-K聚类-SVM方法。在TE的仿真中验证了该方法的有效性,在取得更好的效果的同时,有效的降低了资源和时间的消耗。所以该方法整体性能更优,同时也说明了它用于工业过程的发展潜力。最后,总结了本文的主要工作,并对后续工作进行展望。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.2 故障检测技术研究现状
• 1.3 故障诊断技术研究现状
• 1.4 本文主要工作及结构安排
• 第2章 故障检测与诊断的基本方法
• 2.1 引言
• 2.2 基于PCA的故障检测方法
• 2.2.1 PCA原理
• 2.2.2 基于统计分布的故障检测
• 2.3 基于SVM的故障诊断
• 2.3.1 SVM原理
• 2.3.2 线性SVM算法
• 2.4 本章小结
• 第3章 基于分段KICA-SVM的故障检测与诊断的研究
• 3.1 引言
• 3.2 KICA-SVM的故障检测与诊断原理
• 3.2.1 KICA原理
• 3.2.2 核密度估计原理
• 3.2.3 非线性SVM算法
• 3.3 分段KICA-SVM故障检测与诊断的研究
• 3.3.1 分段方法的研究
• 3.3.2 分段KICA-SVM的研究
• 3.4 仿真研究以及结果分析
• 3.4.1 TE过程
• 3.4.2 仿真研究
• 3.4.3 结果分析
• 3.5 本章小结
• 第4章 基于分段KICA-K聚类-SVM的故障检测与诊断的研究
• 4.1 引言
• 4.2 K聚类分析
• 4.2.1 K聚类原理
• 4.2.2 K聚类算法
• 4.3 KICA-K聚类-SVM的研究
• 4.3.1 KICA-K聚类-SVM的研究
• 4.3.2 仿真研究
• 4.3.3 结果分析
• 4.4 分段KICA-K聚类-SVM的研究
• 4.4.1 分段KICA-K聚类-SVM的研究
• 4.4.2 仿真研究
• 4.4.3 结果分析
• 4.5 本章小结
• 第5章 结论与展望
• 参考文献
• 致谢