资源描述：
《基于核的故障诊断方法及应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、沈阳理工大学硕士学位论文摘要本文针对化工过程数据包含动态非线性和噪声的特点，提出了一种提升小波与动态核PCA(LWDKPCA)相混合方法用于非线性动态过程的自适应监控。首先，利用提升小波分解降噪，之后将动态去噪数据映射到核空间，进行故障检测和监控。为了证明该方法有效性，将LWDKPCA应用于TE过程监控。结果表明，该方法的快速性优于基于传统小波的动态核PCA。与动态核PCA（DKPCA）相比，LWDKPCA具有较好的故障检测和监控性能。针对快速性问题，提出了一种基于提升小波(LW)与递推最小二乘支
2、持向量机（RLSSVM）相混合的快速故障诊断方法（LW-RLSSVM）。该方法首先通过提升小波变换对数据实时去噪，再通过快速算法训练最小二乘支持向量机分类器。由于采用了递推算法，节省了存储空间和运算时间，同时增加了诊断模型的适应性。实验结果表明，LW-RLSSVM混合方法能有效实现快速故障诊断,在诊断速度和适应性方面，优于基于第一代小波与LSSVM相混合（WLSSVM）的故障诊断方法；在诊断精度等方面，该方法优于LSSVM、RLSSVM等方法。根据设计要求设计了工业故障诊断研究实验平台，并在此平台
3、上对提出的方法进行了验证。该应用平台采用C/S、B/S的混合模式，并集成Matlab、力控等专业软件系统，并采用OPC、ODBC、数据库技术实现了故障诊断系统的基本功能。关键词：核方法；故障诊断；提升小波最小二乘支持向量机；LWDKPCA；TE过程；故障诊断平台沈阳理工大学硕士学位论文AbstractInthisthesis,accordingtodynamicnonlinearandnoisepropertiescontainedinchemicalprocessdata,acombinedmo
4、nitoringapproachbasedonliftingwaveletanddynamickernelPCA(LWDKPCA)foradaptivemonitoringnonlinearprocesswaspresented.First,datawerede-noisedbyliftingwavelets,andthenthede-noiseddataweremappedtokernelspace,wherefaultsweredetectedandmonitored.Tovalidateth
5、eperformanceandeffectivenessoftheproposedscheme,LWDKPCAwasappliedtomonitorTEProcess.TheresultsshowedthemethodwasfasterthanconventionalwaveletanddynamickernelPCA(WDKPCA).ComparedwithdynamickernelPCA(DKPCA),LWDKPCAisbetterinfaultdetectionandmonitoring.A
6、fterthat,acombinedfaultdiagnosismethodbasedonliftingwaveletandrecursiveleastsquaressupportvectormachine(RLSSVM),calledLW-RLSSVM,wasproposedtorealizefastfaultdiagnosisforcomplexindustrialprocesses.Firstly,dataweredenoisedbyliftingwavelettransforminreal
7、time,thenleastsquaressupportvectormachineclassifierwastrainedbyreal-timealgorithm.Withrecursivealgorithm,storagespacewassavedandcomputingtimewasshorter,whiletheadaptabilityofdiagnosticmodelwasincreased.Tovalidatetheperformanceandeffectivenessoftheprop
8、osedscheme,LW-RLSSVMwasappliedtomonitorasimulationprocessandTEProcess.TheresultsshowedtheimprovementindiagnosisrateandadaptabilitycomparedwithconventionalcombinedapproachbasedonwaveletandLSSVM(W-LSSVM),andtheLW-RLSSVMmethodisbetterthanLSSVMand
