基于支持向量机新算法的流程工业过程故障诊断方法研究

《基于支持向量机新算法的流程工业过程故障诊断方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号UDC密级学位论文基于支持向量机新算法的流程工业过程故障诊断方法研究作者姓名：刘丽梅指导教师：王安娜教授东北大学信息科学与工程学院申请学位级别：学科专业名称：论文提交日期：学位授予日期：评阅人：博士学科类别：工学控制理论与控制工程2012年4月论文答辩日期：2012年9月2012年月答辩委员会主席：吴成东吴成东王大志东北大学2012年4月、ADissertationfortheDegreeofDoctorinControlTheoryandControlEngineering删Researchonthemetho

2、dsoffaultdiagnosisinproce!industrialbasedrocessindUstriabased0nnewS～VMSJⅥalgorithmsbyLiuLimei—Supervisor：ProfessorWangAnnaNortheasternUniversityApril2012独创性声明本人声明，所呈交的学位论文是在导师的指导下完成的。论文中取得的研究成果除加以标注和致谢的地方外，不包含其他人己经发表或撰写过的研究成果，也不包括本人为获得其他学位而使用过的材料。与我一同工作的同志对本研究所做

3、的任何贡献均己在论文中作了明确的说明并表示谢二也思o、、一寸限学位论文作者签名：弘f胴伯}日期：如k7学位论文版权使用授权书本学位论文作者和指导教师完全了解东北大学有关保留、使用学位论文的规定：即学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人同意东北大学可以将学位论文的全部或部分内容编入有关数据库进行检索、交流。作者和导师同意网上交流的时间为作者获得学位后：半年口一年一一年半口两年口学位论文作者签名：知J而彳番签字日期：工。I2、7导师签名：签字日期：^y1口叩9，妊队一土幻东北大

4、学博士学位论文摘要基于支持向量机新算法的流程工业过程故障诊断方法研究摘要流程工业过程的故障诊断对于减少事故和经济损失具有重要的意义。但是，现有的一些故障诊断方法应用于流程工业过程故障诊断效果不是太理想。基于机器学习和人工智能的故障诊断方法由于不依赖于精确的数学模型，引起了流程工业故障诊断领域专家学者的极大重视。基于统计学习理论的支持向量机表现出了优良的分类性能，成为故障诊断领域的研究热点之一。本文围绕支持向量机在流程工业故障诊断中应用的问题，以高炉故障诊断和化工田纳西过程(TennesseeEastmanProcess

5、，TEP)故障诊断为背景，提出了改进的支持向量机的新算法，探索流程工业故障诊断的新方法。本文研究了支持向量机的参数选择和优化问题，提出了基于最近邻离散粒子群支持向量机(NearestNeighborDiscreteParticleSwarmOptimizationSupportVetorMachine，NN．DPSO．SVM)的故障诊断新方法。该方法对于带有噪声的训练集，应用最近邻法去除一些用途不大的样本，使得训练集得到修剪。同时，应用改进的离散粒子群算法优化特征选择和支持向量机参数，提高了支持向量机的性能和识别准确率

6、。在对支持向量机性能评价标准问题深入研究的基础上，本文提出了基于成本意识的最d'--乘支持向量机的故障诊断新方法。在该方法中，提出新的成本意识公式，将其作为适应函数。该适应函数，可以全面地考虑支持向量机的精度、速度和支持向量的个数，能够更好地衡量最小二乘支持向量机的泛化能力，优化了特征向量和最小二乘支持向量机的相关参数，缩短了分类时间。本文研究了支持向量机的多类分类方法，提出了渐变二叉树的多类分类新方法。该方法对SVM一对多多类分类方法进行了改进，在分类过程中克服了一对多分类方法的分类数目不均衡的不足之处。该方法基于故

7、障样本之间的距离公式，依据故障样本所内含的特点构建了SVM二叉树，符合实际中对故障分类的要求。将其应用于高炉故障诊断实验，得到了很好的分类效果。流程工业过程不同状态的数据样本常常是不平衡的，正常状态的样本数通常多于故一TI—东北大学博士学位论文摘要障样本数。由于标准的支持向量机对这类不平衡数据进行分类，获得的分类面并不一定是最优的，将使分类器的推广性能下降。为了解决这个问题，本文深入研究了不平衡数据的分类方法，提出了两种新的方法。首先，本文提出可适应支持向量机新算法。该算法由补少类算法和补全算法组成，主要是运用可适应的

8、直推式支持向量机(adaptingtransductivesupportvectormachine，ATSVM)和改进的最近邻法。补少类算法选取了有意义的少类测试数据。这些样本可以用于补充训练样本的不足。但是，这些数据中也包含噪声数据。因此，给出了改进的最近邻原则，清除噪声样本。补全算法选择有价值的少类和多类测试样本，将它们添加到