基于稀疏化支持向量機(jī)的啤酒釀造過(guò)程故障診斷的研究.pdf

1、化工生產(chǎn)過(guò)程往往具有非線性、時(shí)變、強(qiáng)耦合等特點(diǎn)，在過(guò)程監(jiān)控中往往難以建立準(zhǔn)確的解析模型，同時(shí)自動(dòng)化控制系統(tǒng)在生產(chǎn)過(guò)程中可以采集記錄大量的數(shù)據(jù)，這就促進(jìn)了基于數(shù)據(jù)驅(qū)動(dòng)的過(guò)程監(jiān)控理論的發(fā)展。本文以典型間歇化工過(guò)程為背景，研究基于統(tǒng)計(jì)分析理論的故障檢測(cè)方法，主要工作集中在對(duì)最小二乘支持向量機(jī)故障檢測(cè)算法的改進(jìn)。
　　采用最小二乘支持向量機(jī)進(jìn)行故障診斷，針對(duì)最小二乘支持向量機(jī)算法中的稀疏性問(wèn)題，采用聚類(lèi)方法進(jìn)行稀疏化處理。用聚類(lèi)算法對(duì)數(shù)據(jù)

2、進(jìn)行預(yù)處理，使得LS-SVM方法具有與標(biāo)準(zhǔn)支持向量機(jī)相同的特性。
　　提出一種基于核空間距離聚類(lèi)稀疏化最小二乘支持向量機(jī)故障診斷分類(lèi)器，對(duì)啤酒發(fā)酵過(guò)程進(jìn)行故障診斷。針對(duì)支持向量機(jī)診斷模型參數(shù)選擇缺乏理論指導(dǎo)這一問(wèn)題，采用粒子群優(yōu)化算法，對(duì)模型的懲罰因子與核參數(shù)進(jìn)行尋優(yōu)，使得模型參數(shù)的選擇直觀、迅速，診斷模型的泛化能力得到了增強(qiáng)。
　　通過(guò)啤酒發(fā)酵過(guò)程數(shù)據(jù)進(jìn)行了仿真研究，所提出的稀疏化模型在分類(lèi)精準(zhǔn)與訓(xùn)練時(shí)間上均有提升，且具有