基于模式识别的流程工业生产在线故障诊断若干问题研究

论文摘要

随着流程工业系统不断地朝着大规模化、复杂化与智能化方向发展,研究与设计一个快速有效的在线智能故障诊断系统,使其具备在线故障检测、在线故障诊断、在线识别引起故障发生的相关监控变量以及在线学习更新系统认知能力的功能,正在成为流程工业及系统科学智能领域的一个重要研究课题。利用该系统,专家工程人员可以快速地对流程工业系统进行在线故障检测诊断,从而有效地保证企业生产的安全运行,最终达到提高企业生产效率的目的。目前,随着计算机集成过程系统（Computer Integrated Process System,CIPS）的发展,流程工业系统在运行过程中,有大量的过程数据被采集和保存下来。如何充分利用这些数据的深层次信息,来进一步提高故障检测与诊断能力,正在成为研究在线智能故障诊断系统的一个热点。本论文主要以支持向量数据描述（Support Vector Data Description,SVDD）与随机森林（Random Forests,RF）模式识别工具为基础,对流程工业在线故障诊断的若干问题进行研究,其具体内容如下:（1）针对SVDD的核参数σ优化及其决策边界规整问题,提出了基于核样本球形分布的核参数优化方法与基于核主元分析（Kernel Principal ComponentAnalysis,KPCA）的SVDD决策边界规整方法。核参数优化方法主要利用测量核空间样本的非高斯性值,来寻找较优的核参数。当核参数选定之后,核空间的样本可能存在分布不均匀的现象,针对此问题,本文进一步利用KPCA来调整决策边界线,以使得SVDD达到更优的分类性能。（2）针对SVDD处理大数据样本时存在时间复杂度较大的问题,提出了一种随机蚕食快速增量式支持向量数据描述算法（Random Greed Incremental SVDD,RGInc-SVDD）。首先,该算法利用随机抽样定理（Sampling Lemma,SL）把训练样本集分割成一些小训练集,然后将其中某一子训练集用来建模一子Inc-SVDDi分类器,最后利用迭代蚕食算法来合并增长子Inc-SVDDi分类器,以生成整个训练集的SVDD分类器。RGInc-SvDD算法使得标准SVDD的时间复杂度从O（n3）降到O（floor（n/k）3）,其中n,k分别为训练集的样本数与迭代过程中的平均蚕食样本数。（3）针对SVDD决策边界的过严格问题,提出了一种核最小体积椭球体数据描述方法（Kernel Minimum Volume Enclosing Ellipsoid,KMVEE）。KMVEE采用的是与SVDD类似的思想,即在核空间中寻找一个最小体积的超球体来尽可能多地包含核映射样本,并以该球体作为界面来对数据进行描述。在相同的核参数设置下,KMVEE能够生成比SVDD更紧凑的决策边界,这使得其性能得到进一步地改善。（4）针对可认知故障(即落于超球体内的故障样本Xinside)的诊断分类问题,提出了一种拒绝式转导推理多类支持向量数据描述方法（Rejected TransductiveInference Multi-SVDD,RTIM-SVDD）。该方法应用M+1个超球体来处理M分类问题,及利用了转导推理思想原则来评判模糊样本点的类别归属问题。RTIM-SVDD相对于距离式M-SVDD,性能具有进一步地提高。（5）针对不可认知故障的聚类问题(即落于超球体外的样本Xoutside),提出了一种改进支持向量聚类（Support Vector Clustering,SVC）方法。该方法主要利用最速下降梯度法来寻找样本的局部最小点,以生成样本不变集,并利用三线完全图（Three Line Completed Graph,TLCG）来标识不变集的簇标签。其时间复杂度从O（n2m）降到O(nop2m),其中m为连线取样数,nop为局部最优点个数。（6）针对不可认知故障的故障定位问题,提出了一种基于RTIM-SVDD的故障定位方法及基于改进随机森林RF的故障定位方法。基于RTIM-SVDD的方法主要通过性能指数PROC的大小来进行故障定位;基于改进RF的方法,主要通过改进Bagging抽取方式、决策树分类以及样本变量重要性法则来生成一改进随机森林,并通过其变量重要性来进行故障定位。以上所有方法的有效性验证,都是基于以下三个数据源:UCI标准数据、TEP（Tennessee Eastman Process,TEP）故障仿真数据以及基于现实故障仿真数据QAMADICS（Development and Application of Methods for Actuator Diagnosis inIndustrial Control Systems,QAMADICS）。实验结果证明,上述所提方法是有效的。最后,在总结全文的基础上,提出了有待进一步研究的课题和今后工作的重点。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.1.1 经济背景
• 1.1.2 技术背景
• 1.2 与故障诊断有关的概念
• 1.3 故障诊断方法
• 1.3.1 基于定量模型的方法
• 1.3.2 基于专家知识的方法
• 1.3.3 基于信号处理的方法
• 1.3.4 基于数据驱动的方法
• 1.3.5 基于模式识别的方法
• 1.4 基于模式识别的在线故障诊断研究现状与意义
• 1.5 本论文思路与结构
• 第2章 SVDD分类研究及其在在线故障检测中的应用
• 2.1 引言
• 2.2 核相关概念及其选取
• 2.3 SVDD分类器
• 2.3.1 基于目标样本的SVDD建模方法
• 2.3.2 基于目标与非目标样本的SVDD建模方法
• 2.4 SVDD核参数的优化与边界规整
• 2.4.1 产生球形区域的数据集
• 2.4.2 特征子空间的数据分布
• 2.4.3 核参数优化
• 2.4.4 基于核主元分析的超球体归整
• 2.4.5 实验结果与分析
• 2.5 基于增量式SVM的增量式SVDD算法
• 2.5.1 增量式SVM
• 2.5.2 增量式SVDD
• 2.5.3 实验结果与分析
• 2.6 随机蚕食Inc-SVDD算法
• 2.6.1 前言
• 2.6.2 随机抽样定理
• 2.6.3 基于随机抽样定理的SVDD
• 2.6.4 RGInc-SVDD算法复杂度分析
• 2.6.5 实验结果与分析
• 2.7 基于椭球体的数据描述
• 2.7.1 基于支持向量最小椭球体数据描述
• 2.7.2 映射MVEE到核空间
• 2.7.3 实验结果与分析
• 2.8 本章小节
• 第3章 M-SVDD分类研究及其在线故障诊断中的应用
• 3.1 引言
• 3.2 M-SVDD算法
• 3.2.1 一种拒绝式M-SVDD
• 3.2.2 基于转导推理的M-SVDD
• 3.2.3 性质分析
• 3.2.4 实验结果与分析
• 3.3 M-SVDD的优化
• 3.4 基于不同核参数σ的求同存异RTIM-SVDD算法
• 3.5 本章小节
• 第4章 SVDD聚类研究及其在在线不可认知故障识别中的应用
• 4.1 引言
• 4.2 SVC综述
• 4.2.1 训练SVC的模型
• 4.2.2 聚类形成
• 4.2.3 关于重叠样本的聚类
• 4.3 SVC算法的改进
• 4.3.1 实验结果与分析
• 4.4 本章小节
• 第5章 基于RTIM-SVDD与RF的在线不可认知故障识别
• 5.1 基于RTIM-SVDD的故障定位
• 5.1.1 引言
• 5.1.2 SVDD的ROC性能指数
• 5.1.3 基于RTIM-SVDD的故障定位
• 5.1.4 实验结果与分析
• 5.2 基于RF的故障定位
• 5.2.1 引言
• 5.2.2 随机决策树的生成与投票法则
• 5.2.3 变量重要性计算
• 5.2.4 随机森林的收敛性
• 5.2.5 基于改进无偏随机森林的故障诊断
• 5.2.6 随机决策树的改进算法
• 5.2.7 变量重要性测量改进算法
• 5.2.8 算法伪码
• 5.2.9 实验与分析
• 5.3 本章小节
• 第6章 关于在线故障诊断系统方法若干性质讨论
• 6.1 引言
• 6.2 在线故障诊断系统性质探讨
• 6.3 在线故障诊断系统的运行结果
• 6.4 本章小节
• 第7章 工作总结与研究展望
• 7.1 本论文的工作重点与主要创新点
• 7.2 未来工作展望
• 参考文献
• 致谢
• 攻读博士学位期间撰写和发表的论文
• 攻读博士学位期间参加的课题