论文部分内容阅读
故障检测与诊断技术在现代工业中占有重要地位,它可以确保工业系统的可靠性和安全性。现代工业过程的规模不断扩大和复杂程度日益提高,系统故障类型种类多,多元化,依靠经典单一的故障诊断方法不能满足实际的工业需要,因此,将几种单一的故障诊断算法有效结合的集合故障诊断算法成为了研究的重点和热点。为了使故障诊断的性能更加优化,本文在分析归纳国内外相关文献的基础上,提出了一种基于集合算法的故障诊断结构框架,即,“提升小波去噪预处理+递推式特征提取+故障诊断与分类”,以递推式主元分析为中心,将其应用到集合算法故障诊断中。主要研究内容包括以下几个方面:(1)以复杂工业过程为研究背景,具体以青霉素发酵过程为研究对象,通过故障设置和数据采集,为方法研究提供充分的数据。为了最大程度地减少噪声对故障检测和诊断方法的影响,本文采用提升小波(LW)方法对数据进行去噪预处理。(2)针对复杂的工业过程,提出了一种基于LW-RPCA-IPNN的故障诊断集合算法,采用递推主元分析(RPCA)中采样点更新的方法对数据进行特征提取,通过增加隐层神经元数目,然后利用增量概率神经网络对数据进行训练分类,将LW-IPNN和LW-RPCA-IPNN方法进行分析比较,经过RPCA特征提取后,故障诊断准确率明显上升,在诊断速度上也有很大提升,实验证明,此集合算法是有效的。(3)提出了另外一种故障诊断集合算法,即,LW-RPCA-RLSSVM,将预处理的数据,利用RPCA进行特征提取,最后采用递推的最小二乘支持向量机对数据进行分类诊断,通过和已有的方法进行比较,在诊断快速性和准确性上都有很大提升,诊断效果明显优越于单一的故障诊断方法。(4)在Lab VIEW环境下,建立了基于集合算法的故障诊断实验应用平台,将理论方法和实验验证应用到工业平台中,对所提的集合故障诊断算法进行研究。理论研究和实验结果表明,本文提出的两种集合算法在故障诊断中性能较好,在诊断快速性和准确性上有显著提高,性能优越于单一的故障诊断方法。