本文關鍵詞：基于改進極限學習機的復雜工業(yè)過程故障預測方法應用研究

  更多相關文章： 故障預測 特征提取 核主元分析 極限學習機

【摘要】：現(xiàn)代工業(yè)生產技術發(fā)展迅速,對生產要求也逐步提高,生產系統(tǒng)也逐漸向大規(guī)模化、復雜化、智能化和數(shù)字化發(fā)展。生產設備之間互相關聯(lián),耦合度高,使得復雜系統(tǒng)故障特征呈現(xiàn)不確定性、非線性等特征。為了確保復雜工業(yè)系統(tǒng)正常進行,除了基于傳統(tǒng)的故障診斷技術,還要求在故障發(fā)生前能夠進行故障預測。故障預測技術是一種更先進的安全保障技術,現(xiàn)已逐步成為各個生產領域的研究重點。為此,本課題針對復雜系統(tǒng)的數(shù)據(jù)特征處理、神經網(wǎng)絡建模、故障預測方法做了以下研究：(1)針對時間序列數(shù)據(jù),本文重點研究實際生產系統(tǒng)中的過程變量變化的特征,提出差分向量核主元分析(Differential Vector Kernel Principal Component Analysis, DV-KPCA)的特征提取和重構的方法。由于復雜系統(tǒng)的關系變量多,故障數(shù)據(jù)特征不明顯,通過DV-KPCA方法,將能夠利用核函數(shù)來解決復雜系統(tǒng)中的非線性映射問題,在高維空間中利用差分運算,從而對數(shù)據(jù)進行降維,最后達到消除冗余信息和特征提取的目的。(2)針對動態(tài)系統(tǒng),本課題提出一種動態(tài)建模方法。在極限學習機算法(Extreme Learning Machine, ELM)基礎之上,對ELM的結構進行改良,提出一種動態(tài)遞歸極限學習機算法(Dynamic Recurrent ELM, DR-ELM), DR-ELM網(wǎng)絡在隱含層中增加了自反饋層,對隱含層輸出進行記憶,通過計算自反饋層存儲的歷史信息的趨勢變化,動態(tài)調整隱含層權值,使得DR-ELM具備對歷史數(shù)據(jù)信息處理和映射動態(tài)特征的性能,提高模型的預測精度。(3)針對數(shù)據(jù)在線訓練學習問題,本課題重點研究在線極限學習機(Online Sequential ELM, OS-ELM)方法。在OS-ELM的網(wǎng)絡結構基礎上繼續(xù)進行改良,通過誤差反饋層和自反饋層的構建,提出動態(tài)遞歸在線極限學習機(Dynamic Recurrent OS-ELM, DROS-ELM)。DROS-ELM的誤差反饋層融合現(xiàn)場誤差信息,實現(xiàn)神經網(wǎng)絡根據(jù)實際誤差信息進行動態(tài)調整,保證故障預測模型的精度；自反饋層通過提取數(shù)據(jù)歷史變化趨勢的信息,調整隱含層的輸出,解決數(shù)據(jù)時延對系統(tǒng)精度的影響。最后本文為驗證DROS-ELM的有效性,在TE過程上進行故障預測實驗,實驗結果表明,該方法能夠能保證較高的故障預測精度。本文的研究結果表明,采用DV-KPCA特征提取算法對時間序列數(shù)據(jù)進行特征提取和重構,能夠有效提升故障預測的效果。同時通過改進極限學習算法,構建基于DROS-ELM的復雜工業(yè)過程故障預測模型,能夠通過自反饋層計算趨勢變化信息,通過誤差反饋層提升故障預測的成功率,為故障預測方法提供了新的思路。
【學位授予單位】：北京化工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP277;TP181

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 孫強;岳繼光;;基于不確定性的故障預測方法綜述[J];控制與決策;2014年05期

2 彭宇;劉大同;;數(shù)據(jù)驅動故障預測和健康管理綜述[J];儀器儀表學報;2014年03期

3 唐勇波;桂衛(wèi)華;彭濤;歐陽偉;;PCA和KICA特征提取的變壓器故障診斷模型[J];高電壓技術;2014年02期

4 徐圓;劉辛新;朱群雄;;化工過程可拓PCA故障診斷方法研究與應用[J];計算機與應用化學;2013年11期

5 徐圓;劉瑩;朱群雄;;基于多元時滯序列驅動的復雜過程故障預測方法應用研究[J];化工學報;2013年12期

6 高慧慧;賀彥林;彭荻;朱群雄;;基于數(shù)據(jù)屬性劃分的遞階ELM研究及化工應用[J];化工學報;2013年12期

7 周東華;魏慕恒;司小勝;;工業(yè)過程異常檢測、壽命預測與維修決策的研究進展[J];自動化學報;2013年06期

8 蔣繼楠;;基于小波去噪和ELMAN神經網(wǎng)絡負荷預測[J];能源與節(jié)能;2013年05期

9 李業(yè)波;李秋紅;王健康;黃向華;趙永平;;基于ImOS-ELM的航空發(fā)動機傳感器故障自適應診斷技術[J];航空學報;2013年10期

10 馬倫;康建設;孟妍;呂雷;;基于Morlet小波變換的滾動軸承早期故障特征提取研究[J];儀器儀表學報;2013年04期

，

本文編號：1205674