基于多標簽算法的工業(yè)過程多重故障診斷研究.pdf

1、準確、可靠的故障診斷系統對過程工業(yè)的安全、穩(wěn)定運行，維護人員安全，提高工廠經濟效益具有重要意義。本文主要研究在多重故障發(fā)生下的多標簽故障分類方法，并分別在田納西-伊斯曼過程(TEP, Tennessee-Eastman Process)、燃料電池系統仿真和實驗平臺上進行應用研究。本文的主要工作如下:
　　1、搭建了燃料電池系統故障仿真平臺，實現了風機過熱、電池水淹等5種典型故障的模擬仿真，解決了燃料電池實驗平臺故障數據不足的問題，

2、為研究多標簽故障診斷算法提供基礎。
　　2、基于最小二乘支持向量機(LS-SVM，Least Squares Support Vector Machine)比較了單標簽(mL，mono-Label)和多標簽(ML，Multi-label)故障分類算法，結果表明多標簽方法對于多重故障的診斷更準確且簡化了計算。
　　3、分別提出了基于相關向量機(RVM，Relevance Vector Machine)和貝葉斯極限學習機(BEL

3、M，Bayesian Extreme Leaming Machine)的多標簽分類算法用于診斷多重故障。在TE故障仿真模型、燃料電池故障仿真模型與實驗系統上，將兩種算法分別與多標簽LS-SVM的故障診斷性能進行了比較，結果表明，RVM故障診斷最好，尤其在檢測精度方面;BELM次之，且學習速度很快，LS-SVM在檢測精度、查全率、誤差控制及準確率方面都最差。
　　4、在燃料電池故障仿真模型上，對三種算法分別對進行測試樣本容量大小測試