收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

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

刘丽梅  
【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(Tennessee Eastman Process,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(Nearest Neighbor Discrete Particle Swarm Optimization Support Vetor Machine, 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。 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小二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直推式支持向量机(adapting transductive support vector machine,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,将它们添加到训练集中。通过和补少类算法相似的方法去除噪声数据。两个算法都添加了测试样本以便保持多类样本和少类样本之间的平衡。其次,本文提出可选支持向量机新算法。该方法是通过修剪训练集,加入无标签数据到训练集中,以补充训练样本的缺乏,使训练集更具有代表性,平衡了少类和多类之间的样本数目的差距。构建了基于故障之间依存特点的固定二叉树SVM多类分类方法,缩短了训练时间,还提高了分类的能力。 为实现早期的故障预报,本文提出了新型加权支持向量回归机算法,通过参数变化预测异常状态。 基于本文提出的新算法,进行了大量的仿真实验,并与其他SVM故障诊断方法进行了对比。实验结果表明本文的新算法具有较高的分类精度、较快的分类速度和较好的泛化能力。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 杨强,吴中福,余平,钟将;基于正反馈的支持向量机[J];重庆大学学报(自然科学版);2004年05期
2 孙蕾,周明全,李丙春;一种非平衡分布数据的支持向量机新算法[J];计算机应用;2004年12期
3 黄勇;郑春颖;宋忠虎;;多类支持向量机算法综述[J];计算技术与自动化;2005年04期
4 杨强,吴中福,余萍,钟将;一种新型支持向量机[J];重庆大学学报(自然科学版);2005年02期
5 张猛,付丽华,王高峰;模糊临近支持向量机[J];计算机工程与应用;2005年05期
6 张浩然;汪晓东;张长江;徐秀玲;;一种新型回归支持向量机的学习算法[J];测试技术学报;2006年02期
7 王晔;黄上腾;;基于间隔区域样本数量的加权支持向量机[J];计算机工程;2006年06期
8 梁新荣;刘智勇;孙德山;毛宗源;;支持向量机在混沌系统预测中的应用[J];计算机应用研究;2006年05期
9 卢敏;张展羽;冯宝平;贾仁辅;;基于支持向量机的区域水安全预警模型及应用[J];计算机工程;2006年15期
10 张阳;刘永革;景旭;;一种改进的线性支持向量机的特征筛选算法[J];西北农林科技大学学报(自然科学版);2006年10期
11 杨斌;路游;;基于统计学习理论的支持向量机的分类方法[J];计算机技术与发展;2006年11期
12 谢保川;刘福太;;支持向量机在模拟电路故障诊断中的应用[J];计算机仿真;2006年10期
13 张绪春;姜礼平;王平;;基于支持向量机的末敏弹命中概率预测研究[J];军事运筹与系统工程;2006年04期
14 鲁昌华;张军;胡浪涛;;基于支持向量机的铜矿成矿概率的研究[J];电子测量与仪器学报;2007年06期
15 胡金莲;杨雷;王斌;;用光滑的支持向量机解回归问题[J];科学技术与工程;2007年12期
16 吴疆;董婷;;基于支持向量机算法的癌症预测[J];榆林学院学报;2007年04期
17 朱程辉;孙东卫;丰义;吴德会;;基于支持向量机的无监督聚类算法研究[J];计算机工程与应用;2007年26期
18 陈继超;;支持向量机技术及其应用[J];科技信息(科学教研);2007年25期
19 李建武;陆耀;;一种快速多分类支持向量机实现策略[J];模式识别与人工智能;2007年03期
20 陶晓燕;姬红兵;董淑福;;用于非平衡样本分类的近似支持向量机[J];模式识别与人工智能;2007年04期
中国重要会议论文全文数据库 前10条
1 侯澍旻;李友荣;刘光临;;基于支持向量机的设备振动信号趋势预测[A];12省区市机械工程学会2006年学术年会湖北省论文集[C];2006年
2 张晓滨;尹英顺;赵培坤;马秀兰;;基于渐进直推支持向量机的半对半多类文本分类[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
3 徐会敏;王玉兰;;线性规划支持向量机模型的研究[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用(CACIS)学术会议论文集[C];2007年
4 晏庆华;;支持向量机算法综述[A];2008'中国信息技术与应用学术论坛论文集(二)[C];2008年
5 郭一楠;程健;肖大伟;杨梅;;分布式多分类支持向量机[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
6 林关成;李亚安;;一种支持向量机训练集选取算法改进[A];2009’中国西部地区声学学术交流会论文集[C];2009年
7 杨凌;刘玉树;;基于支持向量机的坦克识别算法[A];第三届全国数字成像技术及相关材料发展与应用学术研讨会论文摘要集[C];2004年
8 李方方;赵英凯;贾玉莹;杜杰;;基于最小二乘支持向量机的油品质量预测[A];第25届中国控制会议论文集(上册)[C];2006年
9 曾江辉;耿金凤;汪邦军;郝建春;;面向时间序列质量波动预测的支持向量机回归模型研究[A];使命与责任—以质量方法促转型升级——第五届中国质量学术与创新论坛论文集(上)[C];2012年
10 戴林超;吴琳丽;赵海娜;李训铭;;基于最小二乘支持向量机的故障预测法[A];2009年中国智能自动化会议论文集(第六分册)[中南大学学报(增刊)][C];2009年
中国博士学位论文全文数据库 前10条
1 周喜川;非可信环境下的支持向量机研究[D];浙江大学;2010年
2 常甜甜;支持向量机学习算法若干问题的研究[D];西安电子科技大学;2010年
3 王超;三类不确定支持向量机及其应用[D];河北大学;2013年
4 张国云;支持向量机算法及其应用研究[D];湖南大学;2006年
5 李华庆;支持向量机及其在人脸识别中的应用研究[D];上海交通大学;2006年
6 杜喆;几类支持向量机变型算法的研究[D];西安电子科技大学;2009年
7 李海生;支持向量机回归算法与应用研究[D];华南理工大学;2005年
8 刘京礼;鲁棒最小二乘支持向量机研究与应用[D];中国科学技术大学;2010年
9 董春曦;支持向量机及其在入侵检测中的应用研究[D];西安电子科技大学;2004年
10 唐发明;基于统计学习理论的支持向量机算法研究[D];华中科技大学;2005年
中国硕士学位论文全文数据库 前10条
1 周林成;小波支持向量机在数据建模中的研究及应用[D];江南大学;2008年
2 王芳;支持向量机算法的研究及应用[D];江南大学;2008年
3 高泓;基于支持向量机的动态预测方法与实现技术研究[D];大庆石油学院;2009年
4 王永吉;支持向量机泛化性能的研究及其应用[D];江南大学;2009年
5 梁宏霞;支持向量机模型研究及应用[D];辽宁师范大学;2009年
6 孙庆嘉;多类支持向量机的研究与分析[D];北京交通大学;2010年
7 朱杰;基于最小二乘支持向量机的传染病预测与研究[D];苏州大学;2009年
8 王琳;支持向量机及相关理论研究[D];辽宁师范大学;2010年
9 万家强;支持向量机在质量管理中的应用研究[D];重庆理工大学;2010年
10 李响;基于半监督支持向量机的网络流量分类机制的研究与实现[D];北京邮电大学;2011年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978