基于統(tǒng)計學習的氣動調(diào)節(jié)閥故障診斷研究.pdf

1、隨著現(xiàn)代工業(yè)生產(chǎn)規(guī)模的不斷擴大以及自動化程度的顯著提高，氣動調(diào)節(jié)閥在工業(yè)過程控制應(yīng)用中越來越廣泛。作為控制回路的終端執(zhí)行機構(gòu)，氣動調(diào)節(jié)閥常用于調(diào)節(jié)各種介質(zhì)的流量和壓力，在保持生產(chǎn)穩(wěn)定、過程安全以及優(yōu)化控制等方面起著至關(guān)重要的作用。因此，氣動調(diào)節(jié)閥故障診斷研究作為過程監(jiān)測系統(tǒng)的一個重要組成部分，對石化、食品等工業(yè)過程安全、穩(wěn)定、高效的生產(chǎn)有著十分重要的意義。本文基于統(tǒng)計學習的方法，對氣動調(diào)節(jié)閥的多類故障診斷進行了研究。本文的主要研究內(nèi)容如

2、下:
　　1、對氣動調(diào)節(jié)閥故障診斷算法的標準平臺DAMADICS(Development andApplication of Methods for Actuator Diagnosis in Industrial Control Systems)進行了研究。通過學習DAMADICS平臺中氣動調(diào)節(jié)閥的仿真模型，實現(xiàn)了氣動調(diào)節(jié)閥多類故障的仿真模擬，解決了實際工業(yè)過程氣動調(diào)節(jié)閥故障數(shù)據(jù)不足的問題。
　　2、將統(tǒng)計學習中比較熱門的

3、支持向量機(Support Vector Machine，SVM)和極限學習機(Extreme Learning Machine，ELM)應(yīng)用于氣動調(diào)節(jié)閥的多類故障診斷中?；贒AMADICS平臺的多類故障仿真數(shù)據(jù)，比較了二種算法的診斷效果，結(jié)果表明ELM算法在模型訓練效率和模型預(yù)測精度上比SVM更適合于氣動調(diào)節(jié)閥的故障診斷應(yīng)用。
　　3、提出了稀疏貝葉斯極限學習機方法(Sparse Bayesian Extreme Learni

4、ngMachine，SBELM)，主要是將貝葉斯思想應(yīng)用到ELM多分類問題上，用來訓練ELM多分類器的輸出權(quán)重，并且隱層參數(shù)像傳統(tǒng)的ELM算法一樣隨機生成，保留了原有ELM算法的特點和優(yōu)勢?；赟BELM訓練的模型通過預(yù)先設(shè)定的性能準則，可以逐步剔除重復(fù)或干擾的訓練樣本，因此能實現(xiàn)模型的稀疏性;并且能給出預(yù)測樣本的類別概率分布，對實際應(yīng)用具有重要的參考意義?？紤]到工業(yè)故障診斷應(yīng)用中對訓練模型大小的限制，進一步在SBELM模型的基礎(chǔ)上提出

5、了對隱藏節(jié)點個數(shù)進行了稀疏的方法。最后分別將SBELM算法和隱層節(jié)點個數(shù)稀疏的SBELM算法應(yīng)用到DAMADICS平臺的氣動調(diào)節(jié)閥故障診斷中，取得了較好的診斷效果。
　　4、以波蘭Cukrownia制糖廠制糖工藝中控制稀糖汁進入第一個蒸發(fā)罐流程的氣動調(diào)節(jié)閥為實際故障診斷應(yīng)用對象，分別利用SVM、ELM、SBELM算法對該氣動調(diào)節(jié)閥的三種實測故障數(shù)據(jù)進行了故障診斷，并比較了三種算法的診斷效果。結(jié)果表明，SBELM在預(yù)測精度和模型預(yù)測