2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩185頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、過程安全、產(chǎn)品質(zhì)量以及環(huán)境保護是現(xiàn)代流程工業(yè)的核心目標(biāo),因此過程監(jiān)測作為過程自動化系統(tǒng)的重要組成部分和關(guān)鍵技術(shù)之一,具有重大的現(xiàn)實意義和價值。隨著集散控制系統(tǒng)在工業(yè)過程中的廣泛應(yīng)用以及計算機存儲技術(shù)的飛速發(fā)展,海量過程數(shù)據(jù)得以收集和存儲。由于缺少充足的過程經(jīng)驗和應(yīng)用工具,工業(yè)過程往往數(shù)據(jù)豐富但知識缺乏。因此,基于多元統(tǒng)計分析和模式識別等數(shù)據(jù)驅(qū)動過程監(jiān)測成為研究熱點,在這十多年來產(chǎn)生了許多研究成果和工業(yè)應(yīng)用。
   但是,傳統(tǒng)的多

2、元統(tǒng)計分析和模式識別方法沒有考慮實際工業(yè)過程中存在的樣本類標(biāo)簽未知、各故障數(shù)據(jù)不平衡、非線性、多工況、瞬態(tài)等諸多問題。本文在已有方法基礎(chǔ)上,通過融入聚類分析思想,分析數(shù)據(jù)預(yù)處理、特征提取和模式分類等諸多環(huán)節(jié),針對不同問題,提出了一套融合聚類分析的故障檢測和分類新方法和新框架:
   (1)針對工業(yè)過程所提取的訓(xùn)練樣本不純時核主元分析(KPCA)失效問題,提出了一種有效融合Fisher判別式分析-可能性c-均值聚類(FDA-PCM

3、C)的KPCA新方法。首先應(yīng)用FDA來提取特征并實現(xiàn)訓(xùn)練樣本的初分類,然后應(yīng)用PCMC來有效聚類訓(xùn)練樣本。即首先通過分類聚類混雜學(xué)習(xí)實現(xiàn)訓(xùn)練樣本純化,然后使用KPCA實現(xiàn)非線性故障檢測。
   (2)工業(yè)過程中存在正常樣本多,故障樣本少,而且不同故障類別的樣本量各不相同的問題。分類器傾向于大類數(shù)據(jù),而過程監(jiān)測的小類數(shù)據(jù)是關(guān)注焦點,由此產(chǎn)生了當(dāng)數(shù)據(jù)集存在不平衡問題時核Fisher判別式分析(KFDA)性能不佳的問題。本文提出了一種

4、基于非平衡校正的KFDA故障分類新方法--誘導(dǎo)偏移KFDA,該方法通過在基于最小歐氏距離的模式判別準(zhǔn)則上融入一個新的權(quán)重調(diào)整矩陣,實現(xiàn)了非平衡校正的目的。
   (3)多步和單步模式下的過程監(jiān)測研究。首先具體闡述了基于模式識別的故障檢測和分類系統(tǒng)下的多步和單步模式,然后在多步模式下,提出了基于主元分析(PCA)-支持向量數(shù)據(jù)描述(SVDD)的故障檢測和分類新方法。在此基礎(chǔ)上,分析和討論了PCA和KPCA的相互關(guān)聯(lián)和性能差異,提出

5、了在多步和單步模式下的基于KPCA-SVDD故障檢測和分類方法。最后為實現(xiàn)最優(yōu)模式選取,構(gòu)建了一個新的基于過程監(jiān)測系統(tǒng)全局損失的評價準(zhǔn)則。評價準(zhǔn)則除了考慮分類器的故障檢測和故障分類性能外,還考慮了故障檢測和故障分類的誤分類代價。
   (4)基于特征判別子空間的故障分類研究。基于FDA和KFDA的特征提取,可將原始數(shù)據(jù)空間投影到特征判別線性和非線性子空間上。本文首先討論了監(jiān)督學(xué)習(xí)在特征提取上的重要性。然后提出了FDA特征提取、F

6、isher線性分類和SVDD非線性分類相結(jié)合的算法,給出了串級和混聯(lián)兩個融合方式,實現(xiàn)了故障模式的有效分類。最后在KFDA特征子空間上提出了基于混合高斯模型(GMM)和k最近鄰(kNN)分類器的故障分類方法,并討論了參數(shù)和非參數(shù)分類器的性能差異。
   (5)為實現(xiàn)過程多工況的辨識和故障檢測,首先提出了一種融合移動窗技術(shù)的集成聚類新方法,該方法在基于獨立元分析-主元分析(ICA-PCA)方法兩步提取特征后,基于k-ICA-PCA

7、模型的兩層集成聚類可實現(xiàn)多工況建模。在此基礎(chǔ)上,建立了一個基于多獨立元分析-主元分析鄰接模型,實現(xiàn)了多工況過程的辨識和故障檢測。
   (6)針對多工況間的瞬態(tài)過程監(jiān)測問題,提出了一種融合動態(tài)集成聚類的瞬態(tài)過程監(jiān)測方法。為了獲取瞬態(tài)過程數(shù)據(jù)的動態(tài)、非高斯特性并類標(biāo)簽化瞬態(tài)過程,提出了一種面向瞬態(tài)過程模式分析的集成聚類方法,建立了一個新型的動態(tài)k-ICA-PCA模型。然后使用基于主元分析的特征提取和基于多類SVDD的模式分類來實現(xiàn)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論