基于PCA-PDBNs的故障检测与自学习辨识.pdfVIP

学兔兔 第36卷 第5期 仪 器 仪 表 学 报 Vo1．36 No．5 2015年5月 Chinese Journal of Scientific Instrument Mav．2015 基于PCA-PDBNs的故障检测与自学习辨识 王培良 ，夏春江 (1．湖州师范学院信息与控制技术研究所 湖州 313000；2．杭州电子科技大学新型电子器件研究所 杭州 310018) 摘 要：如何提高工业过程故障识别的准确性及其算法训练的效率一直是故障检测与辨识研究领域的重点和热点。将深度学 习方法引入该领域，结合粒子群优化(PSO)算法和深度信念网络(DBNs)，提出了一种基于PSO的DBNs辨识方法(即PSO— DBNs，PDBNs)，使用该方法对复杂函数的拟合进行了数值仿真。实验结果表明，相比于基本的DBNs模型，经PSO算法对网络 参数优化后的DBNs模型获得了更好的函数逼近效果，具有更高的辨识精度。为验证该方法在实际工业过程故障检测中的可 行性，结合主元分析(PCA)，提出了一种PCA—PDBNs模型，并将此应用于田纳西-伊斯曼(TE)过程的故障检测中，结果表明，基 于PCA—PDBNs方法降低了故障检测模型的复杂度，进一步提高了对未知故障类型的辨识精度，取得了较好效果。 关键词：深度信念网络；粒子群优化；主元分析；故障检测；自学习辨识 中图分类号：TP181 TH165 ．3 文献标识码：A 国家标准学科分类代码：120．30 Fault detection and self-learning identification based on PCA—PDBNs Wang Peiliang。一， Xia Chunjiang ( ．Institute of Information and Control Technology，Huzhou University，Huzhou 313000，China； 2．Institute ofNew Devices，Hangzhou Dia~i Univemity，Hangzhou 310018，China) Abstract：How to i’mprove the accuracy of industrial process fault recognition and the algorithm training efficiency is always the hot spot in fault detection and identification field．In this paper，the deep learning method is introduced to this field；the particle swarm optimiza— tion(PSO)algorithm and the deep belief networks(DBNs)are combined；an identification method(PDBNs)based on PSO and DBNs is proposed．Using this method，the complex function fitting is numerically simulated．The experiment resuhs show that compared with the basic DBNs model，the PDBNs model with the network parameters optimized achieves better function approaching performance，and has higher identification precision．To verify the effectiveness of the new algorithm in the a