集成阀门运行故障诊断方法仿真研究.pdf

《集成阀门运行故障诊断方法仿真研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第29卷第9期计算机仿真2012年9月文章编号：1006—9348(2012)09—0216—04集成阀门运行故障诊断方法仿真研究陈思慧(广东海洋大学实验教学部计算中心，广东湛江524088)摘要：针对集成阀门故障诊断在工业过程控制中的需求以及阀门故障信号特征的非线性和非平稳性的特点，提出了一种融合概率主元分析与改进SVM的集成阀门故障诊断方法。采用概率主元分析(PPCA)对故障样本进行主元特征提取，解决了信号维数难以确定的难题，训练“一对一投票”的多类SVM分类器提高了诊断准确率。实验结果表明，方法不仅有很高的正确诊断率，

2、而且对自相关性较严重的阀门故障信号也有较好的诊断效果，对提高现代工业阀门控制过程的稳定性和持续性有一定的指导意义。关键词：概率主元分析；支持向量机；阀门；故障诊断中图分类号：TPl8文献标识码：BFaultDetectionandDiagnosisMethodofValvesCHENsi-hui(DepartmentofExperimentalTeachingCenter，GuangdongOceanUniversity，ZhanjiangGuangdong524088，China)ABSTRACT：Toovercometh

3、eproblemofthevalvesignal'snonlinearandunstableandsatisfytherequireofmodemindustrialcontrolprocess，analgorithmofvalve7SfaultdetectionanddiagnosisbasedonPPCAandimprovedSVMWItSpresented．AfterextractedthemajorfeaturewithPPCAwhichsolvedthesignaldimension’sindeterminacy．

4、theresultcanbeobtaineddependingonimprovedmultipleSVMclassifier．Theexperimentresultsdemonstratethatthismethodhasbetterreliabilityandstabilitycomparedwiththetraditionalalgorithm，eventhesignalhasseriouscorrela—tivecharacters．KEYWORDS：PPCA；SVM；Valve；FaultDiagnosis1引言随着

5、现代工业控制技术的发展和广泛应用需求，旋转集成阀门的复杂度和密集度在不断增艮，阀门出现的故障也越来越多，而企业产品的质量保证和安全工作的基本要求是阀门工作的可靠性，因此，对集成阀门的故障进行快速准确地诊断就非常重要。1’3J。集成阀门拥有复杂的控制执行单元，阀门故障的信号也表现出非平稳以及成分错杂的特点，这就导致阀门连续故障信号截断周期难以选择的难题心J，使得不能准确对其进行诊断。传统的参数辨识法、BP神经网络等分析方法可以实现非线性特征的提取和去噪，但是存在特征泄露问题。。’，而适合处理非平稳信号的经验模特分解包含数据维数

6、太高，特征相关性强，不适应对集成阀门故障进行精确分类。因此，现在急需一种新的有效的诊断方法来满足集成阀门的故障诊断。集成阀门故障诊断本质卜是一个模式识别问题【5J，是将阀门测量点采集到的特征信号映射到故障特征空间，从而对收稿日期：2012-03—04修回日期：2012-03—26—216一当前的实时信号进行故障诊断，以实现对集成阀门的实时监控，保证整个控制系统的正常运行。根据前一阶段对实际采集到的工业集成阀门故障振动信号的特性出发，提出了一种融合概率主成分分析(PPCA)和支持向量机(SVM)的集成阀门故障故障诊断法。方法对

7、故障的非线性特征以及故障样本集小的难题进行了充分分析，为提高对集成阀门故障诊断的准确率，方法极大限度的发挥了PPCA的非线性特征提取能力。为了验证方法的有效性和优越性，对文献[3]中的PCA—SVM算法进行了比较分析，结果表明本文方法有效克服了文献[3]中方法的不足，提高了对集成阀门故障诊断的准确率。2概率主元分析为了全面分析过程工业控制中的问题，需要引入多个变量，但是多变量增加了信号的维度，提高了数据信号的分析难度。PCA是数据主成分分析的数学工具，能有效提取训练集中的主要特征，降低信号维度。与传统的主成分分析(PCA)相

8、比，基于概率主成分分析方法(ProbabilityPrincipalComponentAnalysis，PPCA)的样本主成分提取能提取出更能描述样本特征的部分，克服了对非主元的简单“舍去”，它将“舍去”的非主元看作噪声成分，并认为该噪声符合高斯模型分布，为了估计出模型参数，得到样本的特征