基于集合算法的故障診斷研究.pdf

1、故障檢測與診斷技術在現(xiàn)代工業(yè)中占有重要地位，它可以確保工業(yè)系統(tǒng)的可靠性和安全性?，F(xiàn)代工業(yè)過程的規(guī)模不斷擴大和復雜程度日益提高，系統(tǒng)故障類型種類多，多元化，依靠經典單一的故障診斷方法不能滿足實際的工業(yè)需要，因此，將幾種單一的故障診斷算法有效結合的集合故障診斷算法成為了研究的重點和熱點。為了使故障診斷的性能更加優(yōu)化，本文在分析歸納國內外相關文獻的基礎上，提出了一種基于集合算法的故障診斷結構框架，即，“提升小波去噪預處理+遞推式特征提取+故障

2、診斷與分類”，以遞推式主元分析為中心，將其應用到集合算法故障診斷中。主要研究內容包括以下幾個方面：
　?。?）以復雜工業(yè)過程為研究背景，具體以青霉素發(fā)酵過程為研究對象，通過故障設置和數(shù)據(jù)采集，為方法研究提供充分的數(shù)據(jù)。為了最大程度地減少噪聲對故障檢測和診斷方法的影響，本文采用提升小波（LW）方法對數(shù)據(jù)進行去噪預處理。
　?。?）針對復雜的工業(yè)過程，提出了一種基于 LW-RPCA-IPNN的故障診斷集合算法，采用遞推主元分析(

3、RPCA)中采樣點更新的方法對數(shù)據(jù)進行特征提取，通過增加隱層神經元數(shù)目，然后利用增量概率神經網(wǎng)絡對數(shù)據(jù)進行訓練分類，將LW-IPNN和LW-RPCA-IPNN方法進行分析比較，經過RPCA特征提取后，故障診斷準確率明顯上升，在診斷速度上也有很大提升，實驗證明，此集合算法是有效的。
　?。?）提出了另外一種故障診斷集合算法，即，LW-RPCA-RLSSVM，將預處理的數(shù)據(jù)，利用RPCA進行特征提取，最后采用遞推的最小二乘支持向量機對