基于支持向量机的故障诊断

《基于支持向量机的故障诊断》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于支持向量机的故障诊断摘要在化工生产过程屮，为了准确检测故障，减少机械的损失和人员的伤亡，提岀了支持向量机算法。支持向量机是基于统计学理论的方法，具有较强的逼近能力和泛化能力。但是在最近几年中，一种基于主元分析的过程监控方法已在工业过程屮得到应用，主元分析方法通过正常工况下的历史数据建立的统计模型能很好地检测过程的异常变化和故障的发生。本文主要就这两种方法展开运用。在实际生产过程中，一方面，主元分析方法故障诊断能力有限；另一方面，存在着大量的历史数据，既有正常工况下的数据，又有故障数据，如何充分利用各种类别数据，提高故障

2、诊断能力，具有十分垂耍的意义。木文首先运用传统支持向量机算法对历史数据进行分类，分类结果表明该方法对于简单的数据比较容易区分，但是在数据复杂，可辨性较低的情况下，效果不明显。然后运用改进了的传统支持向量机算法对历史数据进行分类，即运用主元分析方法提取各数据的主耍特征，再利用支持向量机具有的分类优势对过程数据进行在线诊断，从而提高故障诊断能力。木文对传统支持向量机算法和改进支持向量机算法进行了仿真比较，仿真结果体现了改进支持向量机算法的优越性；改进支持向量机算法提高了传统支持向量机算法分类的正确率。该种方法在实际工程屮能够提

3、高系统的诊断性能,减少不必耍的损失。关键词：支持向量机；故障诊断；主元分析方法；皿纳西■伊斯曼过程；FaultDiagnosisBasedonSupportVectorMachineAbstractInordertodetectfaultsaccurately,reducemechanicallossesandcasualtiesinthechemicalproductionprocess,thealgorithmofsupportvectormachineswasproposed・Basedonthestatistics

4、theories,supportvectormachineisamethodofapproximationabilityandgeneralizationability.Recently,anewmethodofprocessmonitoringbasedonprincipalcomponentanalysisisappliedinindustrialproductionprocess.Thestatisticalmodelbuiltbyprincipalcomponentanalysismethodusinghistor

5、icdatacoulddetectunusualchangesandfaultshappeningintheprocessaccurate!y・Thisresearchisontheapplicationofthesetwomethods.Intheactualproductionprocess,principalcomponentanalysishascertainlimitationsindiagnosingfault.Besides,thevastvolumeofhistoricaldatawascollectedi

6、nbothnormalandunusualconditions.Itisofgreatimportancetomakefulluseofthedatatoimprovethecapacityoffaultdiagnosis.Firstly,thispaperclassifiedthehistoricaldatabyapplyingthetraditionalsupportvectormachinealgorithm.Theresultsshowedthattraditionalmethodworkswellonsimple

7、datasets.However,itshowedinsignificanteffectsunderacomplexandlow-differentiabilitycondition.Insuccession,anadvancedapproachwasusedtoimprovethetraditionalmethod,whichwasapproachedtoenhancetheabilityoffaultdiagnosisbyusingprincipalcomponentanalysistoextractthemainfe

8、aturesofthedata,thenwiththeuseofsupportvectormachinewhichhastheadvantagesofonlinediagnosticonprocessdatatoclassify.Inthispaper,thetraditionalsupportvect