基于极限学习机的复杂工业过程故障识别研究及应用

随着现代工业的飞速发展,如何在保持高效生产的同时保证工业过程的安全性与可靠性成为一个关键问题,而故障识别是其中非常重要的一环。由于海量的工业过程数据得以保存,基于数据驱动的工业过程故障识别技术受到广泛关注并有着大量成功的应用。神经网络方法是基于数据驱动方式的一种,为解决传统神经网络方法训练时间长、易陷入局部极小的问题,本文提出了基于极限学习机(ELM)的故障识别方法,并在原始算法的基础上加以优化,利用工业数据进行仿真验证,得到了良好的故障识别效果,兼具训练速度快、故障识别准确率高的特点。本文的主要研究工作和成果包括以下几个方面：1)针对工业过程数据维数高、干扰噪声严重,以及ELM分类算法存在分类结果不稳定且分类准确率较低的问题,将主元分析方法(PCA)与极限学习机相结合,利用PCA对过程数据进行预处理,去除数据中的噪声与冗余信息,提出PCA-ELM分类算法,该算法在保持了快速的训练速度的同时大幅度提高了分类准确率,分类结果稳定性也得到提升。2)为了提升PCA-ELM分类算法的分类准确率,利用ELM分类算法的结构特点重新设计面向多分类任务的分类器,提出基于单分类方式的ELM优化分类算法(One-Class-PCA-ELM)。该算法将训练数据按各个单类进行分割与整合并分别建立模型,各个单类的特征信息充分地包含在相应的单类模型上,从而能够更加有效准确地对待分类数据进行类别匹配。仿真结果表明,One-Class-PCA-ELM分类算法同样保持了极快的训练速度,显著提高了分类准确率。此外,针对One-Class-PCA-ELM分类算法分类过程中存在异常分类的问题,对其加以优化与改进,以进一步提高分类准确率,仿真试验表明算法效果比较理想。3)将各类基于ELM的分类算法应用于核电站反应堆冷却剂系统(RCP)的故障识别仿真试验以验证算法的有效性,重点研究了本文提出的One-Class-PCA-ELM分类算法及其优化分类算法的故障识别性能。仿真结果表明,Improved-One-Class-PCA-ELM分类算法在RCP系统故障识别中取得了良好的故障识别效果,兼具训练速度快、故障识别准确率高的特点,算法有效、可行。