資源描述：
《集成閥門運(yùn)行故障診斷方法仿真研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。
1、集成閥門運(yùn)行故障診斷方法仿真研究陳思慧（廣東海洋大學(xué)實(shí)驗(yàn)教學(xué)部計(jì)算中心，廣東省湛江市524088）摘要:針對(duì)集成閥門故障診斷在工業(yè)過程控制中的尙求以及閥門故障信號(hào)特征的非線性和非平穩(wěn)性的特點(diǎn)，提出了一種融合PPCA與改進(jìn)SVM的集成閥門故障診斷方法；采用概率主元分析（PPCA）對(duì)故障樣本進(jìn)行主元特征提取，解決了信號(hào)維數(shù)難以確定的難題，訓(xùn)練“一對(duì)一投票”的多類SVM分類器提高了診斷準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，方法不僅有很高的正確診斷率，而且對(duì)白相關(guān)性較嚴(yán)重的閥門故障信號(hào)也有較好的診斷效果，對(duì)?提高現(xiàn)代工業(yè)閥
2、門控制過程的穩(wěn)定性和持續(xù)性有一定的指導(dǎo)意義。關(guān)鍵詞：概率主元分析，支持向量機(jī)，閥門，故障診斷中圖分類號(hào)：TP18文獻(xiàn)標(biāo)識(shí)碼：AAFaultDetectionandDiagnosisMethodApplytoValveChenSihui(DepartmentofexperimentalteachingCenterGuangdongOceanUniversityZhanjiangGuiingdong524088China)ABSTRACT：Toovercometheproblemofthevalvesi
3、gnal'snonlinearandunstableandsatisfytherequireofmodemindustrialcontrolprocess,analgorithmbasedonPPCAandimprovedSVMapplyingtovalve'sfaultdetectionanddiagnosiswaspresented.AfterextractedthemajorfeaturewithPPCAwhichsolvedthesignaldimension'sindeterminacy,
4、theresultcanbegottendependingonimprovedmultipleSVMclassify.Theexperimentresultsdemonstratethatthismethodhasthesuperiorityofreliabilityandstabilitycomparedwiththetraditionalalgorithm,evensothatthesignalhasseriouscorrelativecharacter.KEYWORDS：PPCA;SVM;Va
5、lve;FaultDiagnosis1引言隨著現(xiàn)代丄業(yè)控制技術(shù)的發(fā)展和廣泛應(yīng)川需求，旋轉(zhuǎn)集成閥門的復(fù)雜度和密集度在不斷增長，閥門出現(xiàn)的故障也越來越多，而閥門工作的町靠性是企業(yè)產(chǎn)品的質(zhì)量以及人身和設(shè)備安全的基本保證，因此，集成閥門故障診斷就非常重要卩⑶。集成閥門除了本體之外，還有復(fù)雜的控制部分和執(zhí)行氓元，使得故障信號(hào)成分相互錯(cuò)雜，表現(xiàn)出非線性、非平穩(wěn)以及樣本集小且連續(xù)故障信號(hào)的截?cái)嘀芷诓灰走x擇的特征⑵，從而不能快速對(duì)其進(jìn)行診斷。傳統(tǒng)的參數(shù)辨識(shí)法、BP神經(jīng)網(wǎng)絡(luò)等分析方法可以實(shí)現(xiàn)非線性化的特征提取和去噪，
6、但是存在泄漏效應(yīng)等問題卩切,而經(jīng)驗(yàn)?zāi)B(tài)分解EMD是一種信號(hào)時(shí)頻分析方法，適合處理非平穩(wěn)信號(hào)，但是包含數(shù)據(jù)維數(shù)較髙，樣木間的自相關(guān)性較為嚴(yán)重，不能有效地對(duì)閥門故障特征進(jìn)行精確分類。因此，現(xiàn)在急需一種新的育效的診斷方法來滿足集成閥門的故障診斷。集成閥門故障診斷本質(zhì)上是一個(gè)模式識(shí)別問題叫是將閥門測(cè)量點(diǎn)釆集到的特征信號(hào)映射到故障特征空間，從而對(duì)當(dāng)前的實(shí)時(shí)信號(hào)進(jìn)行故障診斷，以實(shí)現(xiàn)對(duì)集成閥門的實(shí)時(shí)監(jiān)控，保證整個(gè)控制系統(tǒng)的正常運(yùn)行。根據(jù)前一階段對(duì)實(shí)際采集到的工業(yè)集成閥門故障振動(dòng)信號(hào)的特性出發(fā)，木文提出了一種基于概
7、率主成分分析（PPCA）和改進(jìn)的支持向量機(jī)（SVM）的集成閥門故障故障診斷法。該方法充分考慮了故障信號(hào)的非線性耦合特征以及故障樣本集小的難題，充分發(fā)揮了PPCA的非線性特征捉取能力和SVM的小樣本泛化特性，大大提高了對(duì)集成閥門故障診斷的準(zhǔn)確率。為了體現(xiàn)本文方法的有效性和優(yōu)越性，對(duì)文獻(xiàn)［3］中的PCA-SVM算法進(jìn)行了比較分析，結(jié)杲表明本文方法有效克服了文獻(xiàn)⑶中方法的不足，提高了對(duì)集成閥門故障診斷的準(zhǔn)確率。2概率主成分分析在過程工業(yè)控制屮，為了全面分析問題，往往涉及到眾多的變量，但是多變量增加了信號(hào)的
8、維度，提高了數(shù)據(jù)信號(hào)的分析難1(I—q度。PCA是數(shù)據(jù)主成分分析的數(shù)學(xué)工具，能有效提取訓(xùn)練集屮的主要特征，降低信號(hào)維度。與傳統(tǒng)的主成分分析(PCA)相比，基于概率主成分分析方法(ProbabilityPrincipalComponentAnalysis,PPCA)的樣本主成分提取克服了簡(jiǎn)單的“舍去”其他非主元，能進(jìn)一步提取出更好地描述樣木數(shù)據(jù)的特征，為后續(xù)提高識(shí)別性能奠定了基礎(chǔ)。PPCA將“舍去”的1F?主元作為噪聲成分進(jìn)行估計(jì)，并認(rèn)為該噪聲成分符合高斯模型，結(jié)合最大
