基于改进极限学习机的复杂工业过程故障预测方法应用研究-控制工程专业论文.docxVIP

摘要基于改进极限学习机的复杂工业过程故障预测方法应用研究 摘要 基于改进极限学习机的复杂工业过程故障预测方法应用研究 摘要 现代工业生产技术发展迅速，对生产要求也逐步提高，生产系统也逐 渐向大规模化、复杂化、智能化和数字化发展。生产设备之间互相关联， 耦合度高，使得复杂系统故障特征呈现不确定性、非线性等特征。为了确 保复杂工业系统正常进行，除了基于传统的故障诊断技术，还要求在故障 发生前能够进行故障预测。故障预测技术是一种更先进的安全保障技术， 现已逐步成为各个生产领域的研究重点。为此，本课题针对复杂系统的数 据特征处理、神经网络建模、故障预测方法做了以下研究： (1)针对时间序列数据，本文重点研究实际生产系统中的过程变量 变化的特征，提出差分向量核主元分析(Differential Vector Kernel Principal ComponentAnalysis，DV-KPCA)的特征提取和重构的方法。由于复杂系 统的关系变量多，故障数据特征不明显，通过DV-KPCA方法，将能够利 用核函数来解决复杂系统中的非线性映射问题，在高维空间中利用差分运 算，从而对数据进行降维，最后达到消除冗余信息和特征提取的目的。 (2)针对动态系统，本课题提出一种动态建模方法。在极限学习机 算法(Extreme Learning Machine，ELM)基础之上，对ELM的结构进行 改良，提出一种