论文部分内容阅读
随着现代工业及科学技术的迅速发展，故障诊断已经越来越受到重视。神经网络作为故障诊断的一种方法得到广泛的应用，其中以BP和RBF网络最为突出。本文正是基于BP网络和RBF网络在故障诊断的基础上，进行深入研究。
本文首先对大量文献进行了综述，比较了各种故障诊断方法，分析了它们的优点和缺点。针对现有原始BP网络的故障诊断方法的不足，本文采用了RBF网络进行故障诊断。RBF网络作为一种典型的局部逼近神经网络，对于每个输入输出数据对，只有少量的权值需要进行调整，从而可使网络的学习速度很快。另外训练RBF网络前，不必事先主观地给出隐层节点数，在训练过程中可以自动给定，增加了网络逼近能力。因而RBF网络提高了训练速度和故障诊断的正确率。
另外，由于RBF网络隐层节点的中心值、径向基宽度和输出权值的的选取对于网络起着非常重要的作用，因此本文对学习数据中利用遗传算法优化选取了隐层节点的中心值、径向基宽度和输出权值。该方法简单实用，且能找到隐层节点中心值、径向基宽度和输出权值。通过采用TE模型仿真，该方法在故障诊断问题上均取得了满意的仿真结果，与原有BP网络和RBF网络的比较进一步表明了基于遗传算法改进的RBF网络算法的有效性。
本文还提出主元分析和RBF神经网络改进的ANFIS故障诊断方法，避免了ANFIS对多输入训练缓慢和单输出容易造成误差的缺陷，最后用TE过程仿真验证，效果令人满意。
最后，本文搭建和设计了精馏塔实验装置，对其进行控制方案的组态，并投入运行。经过运行实验，发现所设计的精馏塔基本上可以达到分离的目的。为了提高运行的稳定性，本文对装置需要改进的地方进行了研究探讨，为今后的进一步研究打下了一定的基础。