论文部分内容阅读
随着现代工业生产规模的不断扩大以及自动化程度的显著提高,气动调节阀在工业过程控制应用中越来越广泛。作为控制回路的终端执行机构,气动调节阀常用于调节各种介质的流量和压力,在保持生产稳定、过程安全以及优化控制等方面起着至关重要的作用。因此,气动调节阀故障诊断研究作为过程监测系统的一个重要组成部分,对石化、食品等工业过程安全、稳定、高效的生产有着十分重要的意义。本文基于统计学习的方法,对气动调节阀的多类故障诊断进行了研究。本文的主要研究内容如下：1、对气动调节阀故障诊断算法的标准平台DAMADICS(Development and Application of Methods for Actuator Diagnosis in Industrial Control Systems)进行了研究。通过学习DAMADICS平台中气动调节阀的仿真模型,实现了气动调节阀多类故障的仿真模拟,解决了实际工业过程气动调节阀故障数据不足的问题。2、将统计学习中比较热门的支持向量机(Support Vector Machine, SVM)和极限学习机(Extreme Learning Machine, ELM)应用于气动调节阀的多类故障诊断中。基于DAMADICS平台的多类故障仿真数据,比较了二种算法的诊断效果,结果表明ELM算法在模型训练效率和模型预测精度上比SVM更适合于气动调节阀的故障诊断应用。3、提出了稀疏贝叶斯极限学习机方法(Sparse Bayesian Extreme Learning Machine, SBELM),主要是将贝叶斯思想应用到ELM多分类问题上,用来训练ELM多分类器的输出权重,并且隐层参数像传统的ELM算法一样随机生成,保留了原有ELM算法的特点和优势。基于SBELM训练的模型通过预先设定的性能准则,可以逐步剔除重复或干扰的训练样本,因此能实现模型的稀疏性；并且能给出预测样本的类别概率分布,对实际应用具有重要的参考意义。考虑到工业故障诊断应用中对训练模型大小的限制,进一步在SBELM模型的基础上提出了对隐藏节点个数进行了稀疏的方法。最后分别将SBELM算法和隐层节点个数稀疏的SBELM算法应用到DAMADICS平台的气动调节阀故障诊断中,取得了较好的诊断效果。4、以波兰Cukrownia制糖厂制糖工艺中控制稀糖汁进入第一个蒸发罐流程的气动调节阀为实际故障诊断应用对象,分别利用SVM、ELM、SBELM算法对该气动调节阀的三种实测故障数据进行了故障诊断,并比较了三种算法的诊断效果。结果表明,SBELM在预测精度和模型预测时间上效果较好,ELM的模型训练速度较快,SVM表现一般。