基于支持向量机的故障诊断

基于支持向量机的故障诊断
摘要
在化工生产过程中，为了准确检测故障，减少机械的损失和人员的伤亡，提出了支持向量机算法。

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中得到应用，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，提高故障诊断能力，具有十分重要的意义。

本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要特征，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。

本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中能够提高系统的诊断性能，减少不必要的损失。

关键词：支持向量机；故障诊断；主元分析方法；田纳西-伊斯曼过程；
Fault Diagnosis Based on Support Vector Machine
Abstract
In order to detect faults accurately, reduce mechanical lossesand casualties in the chemical production process, the algorithm of support vector machines was proposed. Based on the statistics theories, support vector machine is a method of approximation ability and generalization ability. Recently, a new method of process monitoring based on principal component analysis is applied in industrial production process. The statistical model built by principal component analysis method using historic data could detect unusual changes and faults happening in the process accurately. This research is on the application of these two methods. In the actual production process, principal component analysis has certain limitations in diagnosing fault. Besides, the vast volume of historical data was collected in both normal and unusual conditions. It is of great importance to make full use of the data to improve the capacity of fault diagnosis.
Firstly, this paper classified the historical data by applying the traditional support vector machine algorithm. The results showed that traditionalmethod works well on simple data sets. However, it showed insignificant effects under a complex and low-differentiability condition. In succession, an advanced approach was used to improve the traditional method, which was approached to enhance the ability of fault diagnosis by using principal component analysis to extract the main features of the data, then with the use of support vector machine which has the advantages of online diagnostic on process data to classify.
In this paper, the traditional support vector machine algorithm and advanced support vector machine algorithm were compared in simulation process, the results indicates the superiority of the advanced method which improved the correctness of the traditional one on classification. It could also improve the diagnostic performance in the actual process and reduce unnecessary losses consequently.
Key words: Support Vector Machine; Fault Diagnosis; Principal Component Analysis; Tennessee Eastman Process
目录
论文总页数：49 页1 引言 (1)
1.1 课题背景 (1)
1.2 故障诊断技术及其发展 (1)
1.3 国内外研究现状 (2)
1.4 本课题研究的意义 (4)
1.5 本文主要内容 (4)
2 机器学习理论与方法 (5)
2.1 机器学习简述 (5)
2.1.1 机器学习的主要学习问题 (5)
2.1.2 机器学习的经验风险最小化原则与推广能力 (6)
2.2 统计学习理论 (7)
2.2.1 统计学习理论发展历史 (7)
2.2.2 统计学习理论的核心内容 (8)
2.3 支持向量机(SVM) 理论 (10)
2.3.1 支持向量机简述 (10)
2.3.2 支持向量机算法 (10)
2.4主元分析方法(PCA)理论 (13)
2.4.1主元分析方法简述 (13)
2.4.2 主元分析方法降维 (14)
3 机器学习的故障诊断方法 (15)
3.1 专家系统 (15)
3.2 人工神经网络 (15)
3.3 基于支持向量机的故障诊断方法 (16)
3.3.1 支持向量机的求解 (16)
3.3.2 核函数 (17)
3.3.3 支持向量机故障诊断方法 (18)
4 基于PCA 支持向量机的故障诊断方法 (22)
4.1基于PCA支持向量机的故障诊断 (22)
4.2 数据预处理 (23)
4.3 求特征值与特征向量 (24)
4.4 选取主成分 (24)
4.5 新建故障特征向量 (24)
4.6 基于支持向量机的分类 (24)
5 仿真研究 (25)
5.1 田纳西-伊斯曼过程(T ENNESSEE E ASTMAN P ROCESS) (25)
5.1.1 田纳西-伊斯曼过程简述 (25)
5.1.2 过程工艺流程图 (26)
5.1.3 过程变量 (27)
5.1.4 过程故障 (28)
5.2 本文所用数据故障分析 (29)
5.2.1 TE 数据提取 (29)
5.2.2 故障1 的个案研究 (30)
5.2.3 故障5 的个案研究 (32)
5.2.4 故障11 的个案研究 (32)
5.3 基于支持向量机故障诊断 (33)
5.3.1 数据预处理 (33)
5.3.2 支持向量机(SVM) 对故障诊断 (34)
5.3.3 仿真结果 (34)
5.4 基于PCA 支持向量机故障诊断 (35)
5.4.1 TE 数据提取 (35)
5.4.2 数据预处理 (35)
5.4.3 主元分析方法(PCA) 特征提取 (36)
5.4.4 支持向量机(SVM) 的分类 (36)
5.4.5 仿真结果 (36)
5.5 实验结果对比分析 (38)
5.5.1 实验结果对比 (38)
5.5.2 实验结果分析 (38)
结论 (1)
参考文献 (2)
致谢 (4)
声明 (5)。