《基于PCA和SVM的故障诊断方法研究》由会员分享，可在线阅读，更多相关《基于PCA和SVM的故障诊断方法研究（71页珍藏版）》请在金锄头文库上搜索。
1、华东 理工大学 硕士 学 位 论 文第 工 页基于P C A 和 S V IA 的故障诊断方法研究摘要随 着现代工 业和科学技术的 迅速发展， 传统的诊断 技术己 经远远不能适应社会的需要了。 本文只要针对故障诊断概况和主元分析方法、 支持向量机方法的故障诊断应用进行了研究，主要工作如下:首先对故障的检测和诊断方法进行了综合的分析， 对故障诊断的流程及其每个过程的方法进行了比较和探讨。由 于在实际工 况中， 包含和 较多的传感器 信号， 而实际上并非所有的 变量都 含有同样重要的用于故障诊断的信息，这些变量有时会干扰故障诊断策略，降低故障诊断的分 辨率。 此外，由 于这些传感器输出具有一定的相
2、关性，因此， 就有可能 只采用较少数目 的变量， 来保留 原来变量中的大部分信息。 这 里主要 探讨了主元分析方法，并且 通过对 U C I 的B r e a s t C a n c e r D a t a b a s e 数据库的仿真， 验证了 主元分析方法在故障 诊断中有较多优势。支持向量机方法是一种很好的具有小样本的学习能力的分类方法， 对于样本较少的 情况有很好的实际意义。由 于在实际 工况中， 故障样本是比较难得到的， 相对于正常工况的样本数据比 较少， 或者训练样本数目 相差比 较大的情况比 较常见。 传统的支持向 量机方法分类采用了相同的惩罚系数 C ,测试结果比较倾向于大样本的
3、类别，引起分类错 误。本章提出了 改进的 支持向 量机方 法， 采用了 两个惩罚 系数C ，这样就避免了由 于样 本数量相差比 较大对测 试结果带来的 影响而影响测试结果。 对U C I 数 据库的Wi n e 数据 的 仿真验证了 该改进的 有效性。最后提出了 一种基于主元分析和支持向 量机的 故障分类识别方法的 整体构架。 由 于 主 元分析方法对故障检测有很好的效 果， 但是对故障定位需要很强的过程知识， 对故障 定 位比 较难度。 针对大量的工况数据该方法 首先主元分析， 确定 发生故障与否， 避免了 大量的 非故障 数据的后期处理， 有利于节约内存， 加快运算速度， 最后通过支持向量
4、 机 进行故障 定位。 对T E化 工过程的仿真验证了 该构架的 有效性。 关 键词: 故障诊断;主元分析; 支持向 量机; T E 过程第 H 页华东理工大学 硕士 学 位 论 文S t u d i e s o f Me t h o d s B a s e d o n P C A a n d S V M f o r F a u l t D i a g n o s i sAb s t r a c tWi t h t h e d e v e l o p m e n t o f m o d e m i n d u s t ry a n ds c i e n c e t e c h n o l o
5、g y , t r a d i t i o n al f a u l t d e t e c t i o n d i a g n o s i s ( F D D ) t e c h n o lo g y c a n n o t me e t t h e n e e d s o f al l s o c i e t y . T h i s p a p e r p r e s e n t s m a i n l y t h e s t u d i e s o f f a u l t d i a g n o s i s s u r v e y , P r i n c i p al C o m p o
6、 n e n t A n al y s i s ( P C A ) a n d S u p p o rt V e c t o r Ma c h i n e ( S V M ) a p p l i c a t i o n s o n f a u l t d i a g n o s i s . T h e m a i n r e s e a r c h w o r kp r e s e n t e d a s f o l l o ws :F i r s t o f al l , t h e me t h o d s o f f a u l t d e t e c ti o n a n d d i
7、a g n o s i s a r e a n a l y z e d . T h e fl o w o f f a u l t d i a g n o s i s a n d me t h o d s o f e v e ry s t e p s a r e c o m p a r e d a n d d i s c u s s e d .T h e r e a r e s o m a n y s e n s o r s i g n al s i n i n d u s t ry s t a t e m e n t . B u t a c t u al l y , n o t al l v
8、a r i a b l e s h a v e i m p o rt a n t i n f o r ma ti o n s t o f a u l t d i a g n o s i s . B u t s o me ti me , t h e s e v a r i a b l e s w i l l d i s t u r b t h e s t r a t e g i e s o f F D D a n d r a t e o f d i s t i n g u i s h . F u r t h e r m o r e , b e c a u s e t h e r e a r e
9、s o m e r e l a t i o n s b e t w e e n s e n s o r o u t p u t s , w e c a n u s e l e s s n u m b e r o f n e w v a r i a b l e s t o e x p r e s s m o s t i n f o r m a t i o n P C A i s d i s c u s s e d h e r e m a i n l y , a n d b r e a s t c a n c e r d a t a b a s e o f U C I i s i m i t a
10、t e d t o v a l i d a t e t h a t t h e r e a r e s o ma n y a d v a n t a g e s t o u s e P C A i n f a u l t d i a g n o s i s .S V M i s a g o o d a n d m e a n i n g f u l c l a s s i fi e d m e t h o d o f l e a r n i n g a b i l i ty t o s ma l l s a mp l e s . I ti s u s u a l l y t h a t f a
11、 u l t s a m p l e s a r e l e s s t h a n n o r m a l s a m p l e s , a n d t h e n u m b e r s o f e v e ry s a m p le sa r e d i ff e r e n t . T r a d i t i o n a l S V M h a s t h e s a me p u n i s h c o e ff i c i e n t C . T h e r e s u l t o f t e s t i s l e a n t ob i g s a m p l e s c l
12、a s s i fi c a t i o n b y e r r o r . I m p r o v e d S V M i s p r e s e n t e d . I t u s e s d i ff e r e n t p u n i s hc o e f fi c i e n t C . T h e w i n e d a t a b a s e o f U C I i s i m i t a t e d t o v a l i d a t e t h a t i mp r o v e d S V M i se ffe c t i v e .F i n a l l y , a fr
13、a m e o f m e t h o d B a s e d o n P C A a n d S V M t o f a u l t d i a g n o s i s i s p r e s e n t e d . P C Ai s u s e d t o c o n f u m w h e t h e r f a u l t h a p p e n e d o r n o t . I t a v o i d s d e a li n g w i t h n o n - f a u l t d a t a a n dc a n k e e p m e m o ry . I t i s q
14、u i c k e r t o d i a g n o s e b y S V M. T h e T e n n e s s e e E a s t m a n p r o c e s s i si mit a t e d t o v al i d a t e t h a t n e w fra me i s e ff e c t i v e .K e y w o r d s : f a u l t d e t e c ti o n a n d d i a g n o s i s ( F D D ) ; P r i n c i p al C o m p o n e n t A n a l y
15、s i s ( P C A ) ;S u p p o rt V e c t o r Ma c h i n e ( S V M) ; T e n n e s s e e E a s t m a n p r o c e s s ( T E P ) .作者声明我郑重声明:本人格守学术道德，崇尚严谨学风。所呈交的学位论文，是本人在导师的指导下， 独立进行研究 工作所取得的 结果。 除文中明确注明 和引 用的内 容外， 本论文不包含任何他人已 经发表或 撰写 过的内 容。 论文为本人亲自 撰写，并对所写内容负责。论 文 作 者 签 一 气) 御 f 年 1 -7- 月6-/ I 日华东理工大学硕 士 学
16、 位 论 文第 1 页第一章绪论11 引言随着现代工业和科学技术的 迅速发 展， 生产设备日 趋大型化、高速化、自 动化和智能 化， 传统的 诊断 技术已经远远不能适应社会的需要了。 现代化工业生产， 一旦因故 障 停 机， 损失巨 大。 近年来， 因关键性装置出 现故障而引 起的 灾难性事件时 有发生， 例如: 1 9 8 4 年1 2 月位于印度博帕尔市的美国酞 化物公司 农药厂， 发生毒气泄漏事故， 造成2 0 0 0多 人死亡，2 0 多万人受伤， 成为 世界工 业史上最大的 恶性事故。1 9 8 6 年4 月2 7 日， 前苏 联 切尔诺贝利核电站的大量放射性元素 大量外泄 事件， 2 0 0 0 多 人死亡，几万居民 撤离， 损 失达3 0 亿美元，并且污染波及周围 各国。 我国 机械设备故障引 起的 事故也十分 惊人，如1 9 8 5 年 大同电厂和1 9 8 8 年秦岭电 厂的 2 0 0 M W汽轮发电 机组的 严重断轴毁 机事故等。 这 些严重的、或 灾难性的事件不断发 生， 迫使人们在设备诊断 方面进行了大量的研究， 形 成了 机器设备、工程结构和工艺 过程的 故
