【摘要】：隨著現代工業(yè)技術的迅猛發(fā)展,生產過程越來越體現出連續(xù)、大批量、非線性、強耦合、時變、參數不確定等特性,故障發(fā)生的概率也不斷增加,這導致現有的故障診斷方法無法適應對過程監(jiān)控的要求,迫切需要發(fā)展和完善新的故障診斷方法和應對策略以保證生產過程的穩(wěn)定運行。 本文主要研究基于人工神經網絡理論的復雜工業(yè)過程故障診斷方法,所完成的主要工作如下: 1.對目前工業(yè)過程故障診斷技術的各種典型方法的研究現狀及發(fā)展趨勢進行了綜述,并對各種方法的優(yōu)缺點和適用對象進行了分析。 2.研究了基于BP神經網絡和概率神經網絡的故障診斷方法。對于常規(guī)的BP算法收斂速度慢、目標函數容易陷入局部最小的問題,通過引入動量因子、學習率可變的BP算法,改進了算法性能;在概率神經網絡方法中,徑向基函數的分布密度SPREAD的確定影響著網絡的性能,通過對不同SPREAD值的仿真結果對比分析確定適合的SPREAD值,可得到較好的診斷效果。 3.基于PCA的神經網絡改進故障診斷算法研究。針對網絡輸入樣本過多會導致診斷結果不理想的現象,本文提出先用PCA處理樣本數據,降低樣本數據的維數,然后將處理后的樣本數據輸入到網絡中,減小了網絡模型的規(guī)模,加快了網絡的運算速度,而且降低了誤報率和漏檢率,提高了神經網絡方法的診斷準確性。 全文算法采用TE過程為仿真平臺進行算法的有效性驗證。
[Abstract]:With the rapid development of modern industrial technology, the production process is more and more continuous, mass, nonlinear, strong coupling, time-varying, parameter uncertainty and other characteristics, the probability of failure is also increasing. As a result, the existing fault diagnosis methods can not meet the requirements of process monitoring. It is urgent to develop and improve new fault diagnosis methods and countermeasures to ensure the stable operation of the production process. This paper mainly studies the fault diagnosis method of complex industrial process based on artificial neural network theory. The main work is as follows: 1. This paper summarizes the research status and development trend of various typical methods of industrial process fault diagnosis technology, and analyzes the advantages, disadvantages and applicable objects of these methods. 2. The fault diagnosis method based on BP neural network and probabilistic neural network is studied. For the conventional BP algorithm, the convergence speed is slow, and the objective function is easy to fall into the problem of local minimum. By introducing momentum factor and variable learning rate of BP algorithm, the performance of the algorithm is improved. The determination of radial basis function distribution density (SPREAD) affects the performance of the network. By comparing and analyzing the simulation results of different SPREAD values, the suitable SPREAD value can be determined, and a better diagnostic effect can be obtained. Research on improved Fault diagnosis algorithm based on PCA Neural Network. In view of the phenomenon that too many network input samples will lead to unsatisfactory diagnosis results, this paper proposes to use PCA to process the sample data, reduce the dimension of the sample data, and then input the processed sample data into the network to reduce the scale of the network model. It speeds up the operation speed of the network, and reduces the false alarm rate and the false detection rate, and improves the diagnostic accuracy of the neural network method. The full-text algorithm uses TE process as the simulation platform to verify the validity of the algorithm.
【學位授予單位】：哈爾濱理工大學
【學位級別】：碩士
【學位授予年份】：2011
【分類號】：TH165.3;TP183

【相似文獻】

相關期刊論文 前10條

1 吳宏岐;劉霞;賈宏賓;劉風玲;;變壓器故障診斷的ANN技術研究[J];寶雞文理學院學報(自然科學版);2006年02期

2 孫濤;李本威;王永華;陳峰;;基于神經網絡的某型航空發(fā)動機故障診斷專家系統研究[J];海軍航空工程學院學報;2004年02期

3 胡亦農;張日敏;胡乾斌;;神經網絡聯想記憶模型在過程監(jiān)測與診斷中的應用[J];制造業(yè)自動化;1993年02期

4 李靖;呂寶軍;;基于神經網絡的信息融合技術在汽車故障診斷中的應用[J];遼寧省交通高等專科學校學報;2005年04期

5 駱志高;田海泉;仇學青;;遺傳算法在故障診斷中的應用研究綜述[J];煤礦機械;2006年01期

6 陳興輝;熊曉燕;;基于小波與徑向基神經網絡的軸承故障診斷[J];機械工程與自動化;2006年01期

7 魏少華;陳效華;常思勤;;基于聲強與神經網絡技術的發(fā)動機故障診斷[J];汽車工程;2006年04期

8 李會明;裴峻峰;齊明俠;羅紅梅;;RBF神經網絡在往復泵故障診斷中的應用[J];煤礦機械;2006年11期

9 魏永勝;;基于模糊神經網絡的汽輪發(fā)電機組振動故障診斷[J];機械管理開發(fā);2008年03期

10 彭滔;馬茜;;小波神經網絡在滾動軸承故障診斷中的應用[J];計算機工程與應用;2010年04期

相關會議論文 前10條

1 王曉麗;周潯;韓現剛;;小波變換和神經網絡在機械故障診斷中的應用[A];2009全國虛擬儀器大會論文集（二）[C];2009年

2 韓厚德;梅國梁;周麗雯;;基于神經網絡的冷藏集裝箱遠程監(jiān)控系統設計研究[A];中國制冷學會冷藏運輸專業(yè)委員會學術年會論文集[C];2007年

3 胡昌華;許化龍;陳新海;;一種新的BP學習算法及在故障模式識別中的應用[A];1995年中國控制會議論文集（下）[C];1995年

4 董選明;譚民;裘麗華;王占林;;基于魯棒濾波器的神經網絡魯棒學習算法[A];1999中國控制與決策學術年會論文集[C];1999年

5 唐燁華;王玉敏;戴亞平;鹿衛(wèi)國;;線性方程組在水電機組故障診斷中的應用[A];2005中國控制與決策學術年會論文集（上）[C];2005年

6 葉淵杰;劉玉潔;陳光大;陳堅;;基于模糊推理和神經網絡的水泵機組故障診斷方法研究[A];2009全國大型泵站更新改造研討暨新技術、新產品交流大會論文集[C];2009年

7 談才軍;黃道;;RBF神經網絡在化工過程故障診斷中的應用[A];第二十四屆中國控制會議論文集（下冊）[C];2005年

8 何群英;郝偉;;基于全矢譜和遺傳神經網絡的旋轉機械故障診斷[A];2008年全國振動工程及應用學術會議暨第十一屆全國設備故障診斷學術會議論文集[C];2008年

9 王建成;李寧;吳曉明;;基于CBR的自行火炮故障診斷系統設計[A];2006中國控制與決策學術年會論文集[C];2006年

10 王帆;吳多勝;;基于遺傳算法和神經網絡的導彈故障診斷專家系統[A];中南六省（區(qū)）自動化學會第24屆學術年會會議論文集[C];2006年

相關重要報紙文章 前10條

1 黃安華;液壓制動系統的故障診斷[N];中國汽車報;2002年

2 李萍;濟鋼EAM離線網絡點檢和故障診斷管理系統開發(fā)應用[N];世界金屬導報;2007年

3 胡榮山 馬巍;上海海大一課題列入國家“863”計劃[N];中國船舶報;2007年

4 孫建陽　劉波;小型漁船柴油機故障診斷與排除[N];中國漁業(yè)報;2008年

5 見習記者 仝亞娜;孫彥廣：冶金故障診斷設備前景廣闊[N];機電商報;2005年

6 小田;網卡故障診斷[N];中國電腦教育報;2000年

7 陳全東;干式復合“粘邊”故障診斷[N];中國包裝報;2003年

8 龔獻榮;大型天然氣裝置實現網絡化監(jiān)測[N];中國化工報;2005年

9 周傳勇 杜慧;濟鋼網絡化設備點檢與故障診斷管理系統上線運行[N];世界金屬導報;2008年

10 湯懷京;WLAN也有“線”[N];中國計算機報;2004年

相關博士學位論文 前10條

1 譚陽紅;基于小波和神經網絡的大規(guī)模模擬電路故障診斷研究[D];湖南大學;2005年

2 李敏;復雜機械基于數據的建模與故障診斷[D];太原理工大學;2010年

3 馮志鵬;計算智能在機械設備故障診斷中的應用研究[D];大連理工大學;2003年

4 曾良才;板帶軋機液壓AGC綜合測試系統及故障診斷研究[D];武漢理工大學;2005年

5 陳偉根;以油中多種氣體為特征量的變壓器絕緣在線監(jiān)測及故障診斷技術研究[D];重慶大學;2003年

6 武和雷;集成智能故障診斷策略及其應用研究[D];浙江大學;2003年

7 王瓊;基于優(yōu)化理論的神經網絡研究及在抽油機故障診斷中的應用[D];東北石油大學;2011年

8 陳軍;短信號分析技術及其在故障診斷中的應用[D];武漢理工大學;2003年

9 岑朝輝;衛(wèi)星姿態(tài)控制系統中的故障診斷研究[D];華中科技大學;2011年

10 劉應吉;車輛狀態(tài)監(jiān)測與故障診斷新方法研究[D];東北大學;2008年

相關碩士學位論文 前10條

1 高玉萍;基于專家系統與神經網絡相結合的電力變壓器故障診斷[D];西安理工大學;2005年

2 仲京臣;基于小波神經網絡的故障診斷研究[D];中國海洋大學;2004年

3 徐百靈;設備故障診斷的容錯神經網絡信息融合方法[D];哈爾濱工程大學;2005年

4 王政;基于人工神經網絡的攤鋪機智能故障診斷系統研究[D];中南大學;2005年

5 厲蕓;基于神經網絡和遺傳算法模擬電路故障診斷方法研究[D];湖南大學;2005年

6 孫遠志;控制系統執(zhí)行器故障診斷的研究及應用[D];華北電力大學（河北）;2005年

7 成燕;基于神經網絡的變頻器故障診斷的研究[D];沈陽工業(yè)大學;2002年

8 陳勵華;智能故障診斷技術的應用與研究[D];西北工業(yè)大學;2005年

9 胡惟文;模擬電路故障診斷的神經網絡實現[D];湖南大學;2005年

10 徐志鈕;基于油中溶解氣體分析的變壓器絕緣故障診斷研究[D];華北電力大學（河北）;2005年

，

本文編號：2209826