论文部分内容阅读
随着计算机技术的发展以及自动化技术在工业生产过程中的应用,现代化生产过程日益复杂化,一旦发生异常状况不能及时处理,不仅会造成系统性能变差、经济上的巨大损失,还可能引起严重的灾难。因此,为保证生产过程的安全可靠,故障诊断技术是必不可少的。对于较难进行机理建模的复杂工业过程,根据现场获得的数据来进行故障诊断是一个重要的研究领域。支持向量机(Support Vector Machine,SVM)方法具有较强的推广能力,还具有能实现非线性映射、鲁棒性强、避免局部最优、限制过学习、操作易实现等优点,因此,在故障诊断方面具有独特的优越性。本论文主要进行基于SVM的田纳西--伊斯曼(Tennessee Eastman,TE)过程故障诊断方法的研究,它是一个著名的工业基准过程,并且在最后提出了一种改进的基于SVM的TE过程故障诊断方法。文中的主要工作为:1.首先研究了基于SVM的TE过程故障诊断方法,并与基于偏最小二乘法(Partial Least Squares,PLS)的故障诊断方法进行对比分析。2.针对基于一般SVM的TE过程检测方案的存储量大、计算量大及运行时间长等不足,我首先研究了将粒子群算法(Particle Swarm Optimization,PSO)、遗传算法(Genetic algorithm,GA)、网格寻优法(Grid search,GS)应用到SVM分类器中时,SVM分类器的诊断性能变化情况。随后又研究了对原始数据进行预处理,即进行归一化处理及采用主元分析法(Principal component analysis,PCA)进行数据降维时,SVM分类器对TE过程进行故障诊断效果的变化情况。从而提出了整合了GS-PCA的基于SVM的TE过程故障诊断方法,和其他基于SVM的诊断方案相比,通过仿真实验可得该方法在分类准确度和运行效率上都有很强的优势。