本文關(guān)鍵詞：基于學習型案例推理的TE過程故障診斷方法研究

  更多相關(guān)文章： TE化工過程 故障診斷 案例推理(CBR) 學習型偽度量(LPM) 案例檢索

【摘要】：化工生產(chǎn)過程在國民經(jīng)濟中占有非常的重要地位,在生產(chǎn)過程中,如果發(fā)生了故障卻不能及時地發(fā)現(xiàn)和排除,就會影響整個生產(chǎn)的進行,造成不必要的經(jīng)濟損失,更嚴重的甚至威脅到人員和設(shè)備的安全,所以,化工過程的故障診斷和實時監(jiān)控具有非常重要的現(xiàn)實意義。案例推理(CBR)作為人工智能領(lǐng)域中一種新的問題求解與機器學習方法,在工業(yè)過程故障診斷領(lǐng)域的應(yīng)用得到了廣泛關(guān)注。然而,在利用傳統(tǒng)CBR方法進行故障診斷時,案例檢索階段經(jīng)常使用基于距離的相似性度量方法,由于這種度量方法存在兩個關(guān)鍵的科學問題,即如何合理分配各屬性的權(quán)重和如何避免陷入距離陷阱尚未完全解決。因此,本文在傳統(tǒng)CBR故障診斷模型基礎(chǔ)上,采用學習型偽度量(LPM)代替距離度量方法,構(gòu)建一種基于LPM檢索的CBR故障診斷模型,并用Tennessee-Eastman(TE)化工過程進行實驗研究,主要工作如下:(1)針對CBR距離度量檢索方法存在權(quán)重分配難題以及容易陷入距離陷阱的問題,研究了一種基于BP神經(jīng)網(wǎng)絡(luò)的LPM檢索方法,以代替?zhèn)鹘y(tǒng)的距離度量檢索方法。該方法通過定義學習型偽度量準則,對源案例進行重組后形成模式池,再利用模式池訓練BP神經(jīng)網(wǎng)絡(luò),使網(wǎng)絡(luò)逼近LPM準則,從而得到一種新的LPM案例檢索模型,為改進CBR故障診斷模型的建立打下了方法基礎(chǔ)。(2)針對TE化工過程的故障診斷問題,基于LPM檢索方法建立了一種改進的CBR故障診斷模型。該模型包括LPM案例檢索、案例重用、案例修正和案例存儲等四個部分。首先通過TE仿真模型構(gòu)造故障診斷案例庫,然后,通過訓練BP神經(jīng)網(wǎng)絡(luò)建立LPM模型,再利用LPM模型度量目標案例與每一個源案例的相似性,得到與目標案例相似的同類案例,接著采用多數(shù)重用原則從同類案例中決策出目標案例的故障診斷結(jié)果,最后采用基于實踐的案例修正方法對診斷結(jié)果進行確認和調(diào)整,并存儲修正后的案例,從而實現(xiàn)故障診斷的增量式學習過程。(3)開發(fā)了基于MATLAB、SQL Server和C#的TE化工過程故障診斷實驗平臺。該平臺用C#編制故障診斷系統(tǒng)的操作界面,歷史數(shù)據(jù)存放于SQL Server中,借助于C#調(diào)用MATLAB中的故障診斷程序,可以方便而直觀的觀察不同方法的故障診斷性能,并為進一步研究TE過程的故障診斷方法提供了一個驗證工具。
【關(guān)鍵詞】：TE化工過程 故障診斷 案例推理(CBR) 學習型偽度量(LPM) 案例檢索
【學位授予單位】：北京工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TQ02;TP18
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-17
• 1.1 研究背景和意義9-10
• 1.2 故障診斷方法研究現(xiàn)狀10-15
• 1.2.1 研究現(xiàn)狀10-13
• 1.2.2 問題分析13-15
• 1.3 本文主要工作和結(jié)構(gòu)安排15-17
• 1.3.1 主要工作15-16
• 1.3.2 結(jié)構(gòu)安排16-17
• 第2章 TE化工過程17-25
• 2.1 工藝流程描述17-20
• 2.2 故障劃分20-21
• 2.3 TE過程仿真環(huán)境21-24
• 2.4 小結(jié)24-25
• 第3章 學習型偽度量案例檢索方法25-31
• 3.1 引言25-26
• 3.2 學習型偽度量26-27
• 3.3 LPM案例檢索模型27-29
• 3.4 算法實現(xiàn)29
• 3.5 小結(jié)29-31
• 第4章 基于LPM-CBR的故障診斷方法31-41
• 4.1 引言31
• 4.2 傳統(tǒng)CBR故障診斷模型31-33
• 4.3 基于LPM的CBR故障診斷模型33-34
• 4.4 算法實現(xiàn)34
• 4.5 算法步驟34-35
• 4.6 性能測試35-40
• 4.6.1 實驗設(shè)計35-36
• 4.6.2 LPM模型穩(wěn)定性36-39
• 4.6.3 LPM-CBR模型魯棒性39
• 4.6.4 對比實驗39-40
• 4.7 小結(jié)40-41
• 第5章 TE過程障診斷實驗41-61
• 5.1 實驗平臺開發(fā)41-46
• 5.4.1 開發(fā)流程41-43
• 5.4.2 界面設(shè)計43-46
• 5.2 實驗設(shè)計46-48
• 5.3 性能評價48-49
• 5.3.1 穩(wěn)定性48
• 5.3.2 魯棒性48-49
• 5.4 對比實驗49-59
• 5.4.1 診斷準確率49-50
• 5.4.2 ROC分析50-59
• 5.5 小結(jié)59-61
• 結(jié)論61-62
• 參考文獻62-66
• 攻讀碩士學位期間所發(fā)表的學術(shù)論文66-67
• 致謝67

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 賈嘉;故障診斷技術(shù)在生產(chǎn)中的應(yīng)用[J];新疆石油學院學報;2000年03期

2 潘松海;介紹一種故障診斷方法[J];組合機床與自動化加工技術(shù);2001年06期

3 朱大奇,于盛林;基于知識的故障診斷方法綜述[J];安徽工業(yè)大學學報(自然科學版);2002年03期

4 茍永明;測試與故障診斷技術(shù)研討會舉行[J];冶金自動化;2004年04期

5 王春利;張衛(wèi)華;吳重光;;故障診斷技術(shù)理論與發(fā)展趨勢及其在石化領(lǐng)域的應(yīng)用[J];石油化工自動化;2008年06期

6 臧大進;曹云峰;;故障診斷技術(shù)的研究現(xiàn)狀及展望[J];礦山機械;2010年18期

7 趙國瑞;武麗;薛光輝;劉宓;杜毅博;吳淼;;綜采工作面遠程狀態(tài)監(jiān)測與故障診斷研究現(xiàn)狀與發(fā)展趨勢[J];煤炭工程;2011年02期

8 盧敏;;故障診斷技術(shù)及其在冶金設(shè)備中的應(yīng)用[J];重型機械;1987年02期

9 王恩鴻;開展故障診斷工作的現(xiàn)狀與建議[J];紡織機械;1994年04期

10 周東華,王桂增;第五講 故障診斷技術(shù)綜述[J];化工自動化及儀表;1998年01期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 楊其校;劉昭度;齊志權(quán);馬岳峰;;汽車ABS電機故障診斷[A];第三屆全國信息獲取與處理學術(shù)會議論文集[C];2005年

2 黎清海;高慶;;基于系統(tǒng)分層的故障診斷方法[A];第三屆全國信息獲取與處理學術(shù)會議論文集[C];2005年

3 聞競競;黃道;;故障診斷方法綜述[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學術(shù)會議論文集[C];2007年

4 李t，

本文編號：575218