一种基于ICASVM的故障诊断方法电子技术论文(精品).docVIP

本文由yangjun2399贡献 pdf文档可能在WAP端浏览体验不佳。建议您优先选择TXT，或下载源文件到本机查看。 第 34 卷 第 4 期 V ol .34 N o 4 中南工业大学学报( 自然科学版) J . CENT . SOUTH UNIV . TECHNOL . V ol .34 N o .4 A u g . 20 03 一 种 基 于 ICA SV M 的 故 障 诊 断 方 法  郭 明,谢 磊,何 宁,王树青 杭州, 310027) ( 工业控制技术国家重点实验室, 浙江大学 先进控制研究所,浙江 摘要: 提出了一种基于独立分量分析和支撑向量机( A SV M ) IC  对系统性能 进行监控的 整体框架 .这一框 架包括 特 阵, 而这些投影系数矩阵则被用于训练多个支撑 向量机, 实现故 障类型 的识别 .Tennes see Eastman 过 程的仿 真 以 征提取和故障识别两部分 .独立分量分析被用于从当前工况的数据矩阵中提取出代表 当前工况特 征的投影系 数矩 结果证明了该算法的有效性 . 中图分类号: P273 T 关键词: 支撑向量机;过程监控;故障诊断 文献标识码: A 1005 2003)  0447 04 04  文章编号:  9792( 对于实际化工过程, 由于控制回路与测量点多, 操作条件多变, 故障类型也有多种, 使得化工过程的 化工过程很难建立起精确的动态数学模型, 因此, 基 于数学模型的故障诊断方法在化工过程中没有广泛 动的各种统计方法 ( 主元 分析 等).这 一方 法要 求 如 史数据 .其诊断步骤包括特征提取和模式识别两步, 目标是提取可以明确 识 别的 某一 类型 的特 征, 在 并 于人工神经网络的故障诊断方法在化工过程中应用 较多 [ 1] 们 能 够 更 好 得 反 映 过 程 的 特 征 .独 立 分 量 分 析 ( A) IC 作为近年来发展起 来的一种 新的统计 信号 处 理方法 [ 3] 故障检测与诊断问题变得十分复杂 .总的来说, 由于 x …, 信息  其原理如下: 设共有 l 个观测信号 x 1 , 2 , s2 , s m 的线性组合, …, 即 式中: A∈R l× m , P CA 相比, 有效地 利用 了高 阶统 计 与 更 推广应用 .目前, 比较有效的方法是采用基于数据驱 xl , 它们分别为 m 个 非高 斯 分 布 的 独立 源 信 号 s1 , , 混 叠 系 数矩 阵 .由 于独 立 源 S 和 为 X = A· S . ( 1) 收集正常操作条件下, 以及 在各 种故 障 状态 下的 历 混叠系数矩阵 A 都未 知, 为了从 观测 信号中 分离 出 各独立源信号, 定义如下目标函数: J( y)= H( g a u s s )- H ( y y). 此基础上最优地对采集到的样本进行分类 .目前, 基 , 是, 但 其结 构 参 数 往 往需 多 次 实 验 才 能 确 式中: 为任 一随机量; g a u s s 是一 个与 y 具有相 同方 y y 差的高斯分布的随机量;函数 H( ) 为相应变量的 信息熵函数 .根据中心极限定理可知, 由于观测信号 可 s i 相比 更 接 近 高 斯分 布 .因 此, 在 分 离 过 程 中 按 当 2) ( 式计算源信号估计值 ^i 的非 高斯 性, ( 式 中 2) s 立分量( 即驱动变 量) 个数, 目前 也 还未 有一 个 的 而 的分离 .对于实际化工过程, 一般并不能确切知道独 ( 2) 定, 且在分类之前 需要 大量 的故 障样 本 对其 进行 训 练 .而实际工业生产过程中只有少量的故障样本, 大 小样本下具有良好的学习能力 的故障诊断方法 . [2] 量的是正常操作条件 下 的数 据 .由于 支 撑向 量机 在 x i 为相互独立的 源信 号 s i 的线 性组 合, 此, i 与 因 x 立分量分析提取故障 特 征, 以探 讨基 于 支撑 向量 机 , 在此, 作者通过 独 的目标函数达到最大时,表明 已完成对 各独立分 量 1 基于 ICA S V M 的故障诊断框架  大多数 化工 过程 常常拥 有大 量的测 量变 量, 这 [ 中的方差累计贡献率的方法来确定独立分量数 . 4] 在对系统进行监 控时,先 从历史数据库中 选取 l× n 较