基于組合KPCA與改進ELM的工業(yè)過程故障診斷研究.pdf

1、隨著科學(xué)技術(shù)的發(fā)展，現(xiàn)代工業(yè)生產(chǎn)過程的復(fù)雜程度越來越高，系統(tǒng)中任何一個微小的環(huán)節(jié)出現(xiàn)異常，就可能導(dǎo)致整個系統(tǒng)的崩潰。因此，在現(xiàn)代工業(yè)生產(chǎn)過程中，如何采取有效措施保障系統(tǒng)運行的安全性和可靠性，并對工業(yè)過程進行有效監(jiān)控，已成為亟待解決的問題?；谏鲜鲈颍瑢I(yè)過程進行故障診斷也就變得越來越重要。
　　本文以田納西-伊斯曼(TE)化工過程為背景，利用基于數(shù)據(jù)的方法圍繞工業(yè)過程故障診斷問題展開研究。在故障診斷中，故障特征提取和分類是重要

2、的兩個部分，針對工業(yè)過程數(shù)據(jù)非線性和對實時性要求高等特點，從故障特征提取和分類兩個方面對已有的算法進行分析和改進，并最終應(yīng)用到TE過程故障診斷中。本文的工作主要包括以下幾個方面：
　?、賹τ诠收咸卣魈崛?，利用多變量統(tǒng)計方法進行處理。首先對基于PCA的特征提取方法進行了說明；針對PCA在提取工業(yè)過程非線性數(shù)據(jù)特征信息的缺陷，引入了KPCA方法；針對傳統(tǒng)KPCA方法在進行高維映射時采用單一核函數(shù)的局限性，提出了一種基于核函數(shù)組合的改進

3、KPCA方法，即將高斯徑向基核函數(shù)與多項式核函數(shù)進行加權(quán)作為新的核函數(shù)，改進的特征提取方法同時具備全局核函數(shù)與局部核函數(shù)的優(yōu)勢，有更強的學(xué)習(xí)和泛化能力。然后，將三種統(tǒng)計分析方法應(yīng)用到TE過程故障檢測上，利用檢測結(jié)果對三種方法的特征提取能力進行評估，驗證了組合KPCA方法特征提取的有效性與優(yōu)越性。
　　②對于分類方法，由于工業(yè)過程對實時性要求較高，針對傳統(tǒng)分類方法速度上的不足，本文引入了速度極快的極限學(xué)習(xí)機（ELM）算法。更進一步，

4、由于傳統(tǒng)極限學(xué)習(xí)機的輸入權(quán)值W和隱層偏置b是隨機選取的，這可能導(dǎo)致ELM的神經(jīng)網(wǎng)絡(luò)模型輸出矩陣H不滿足列滿秩，使得模型的分類精度和運算速度出現(xiàn)下降。針對傳統(tǒng)ELM的這一缺陷，本文提出了一種改進的ELM算法，在隨機選取輸入權(quán)值和隱層偏置的基礎(chǔ)上對權(quán)值和偏置進行調(diào)整，從理論上保證輸出矩陣列滿秩的特性。將ELM和改進ELM在UCI數(shù)據(jù)集上進行了性能測試，結(jié)果表明改進ELM具有更好的分類效果和穩(wěn)定性。
　?、蹖⒔M合KPCA和改進ELM結(jié)合