基于KPCA與SVM的工業(yè)過程故障診斷方法的應(yīng)用研究.pdf

1、為了保證工業(yè)過程的安全性，產(chǎn)品質(zhì)量的穩(wěn)定性，對生產(chǎn)過程進行在線監(jiān)測，及時準確地進行故障診斷，已經(jīng)成為目前過程控制領(lǐng)域一個重要研究方向。特別是基于數(shù)據(jù)的各種統(tǒng)計方法，由于其不依賴數(shù)學(xué)模型以及工業(yè)現(xiàn)場具有大量易獲得的過程數(shù)據(jù)的原因而更具實用性。這一方法要求收集正常操作條件下，以及在各種故障狀態(tài)下的歷史數(shù)據(jù)。其診斷步驟包括故障檢測和故障識別兩步。
　　 本文詳細介紹了工業(yè)過程中常用到的故障診斷方法，并分析其優(yōu)缺點。以田納西-伊斯曼化工

2、工業(yè)過程(Tennessee-Eastman Process，簡稱TEP)為背景，詳細分析了其工業(yè)過程。介紹了主元分析(Principle Component Analysis，簡稱PCA)及核主元分析(KernelPrincipie Component Analysis，簡稱KPCA)原理及其多元統(tǒng)計故障監(jiān)測方法在TE中的應(yīng)用。KPCA引入核函數(shù)的概念，將原始空間映射到高維的特征空間，在高維空間進行主元分析，使輸入數(shù)據(jù)具有很好的可分性

3、。將兩種檢測方法應(yīng)用在TE過程中，得出基于KPCA的多元統(tǒng)計故障檢測方法性能優(yōu)于PCA。
　　 由于支持向量機(Support Vector Machine，簡稱SVM)方法具有理論完備、全局優(yōu)化、泛化性能好等特點，具有很好的分類功能。本文在傳統(tǒng)的SVM上進行改進，采用多個一對一SVM構(gòu)造多值分類SVM。并將PCA、KPCA特征提取方法與SVM進行結(jié)合，將降維后的線性主元與非線性主元作為SVM輸入進行訓(xùn)練和識別。并將其用在TE過