论文部分内容阅读
化工生产过程在国民经济中占有非常的重要地位,在生产过程中,如果发生了故障却不能及时地发现和排除,就会影响整个生产的进行,造成不必要的经济损失,更严重的甚至威胁到人员和设备的安全,所以,化工过程的故障诊断和实时监控具有非常重要的现实意义。案例推理(CBR)作为人工智能领域中一种新的问题求解与机器学习方法,在工业过程故障诊断领域的应用得到了广泛关注。然而,在利用传统CBR方法进行故障诊断时,案例检索阶段经常使用基于距离的相似性度量方法,由于这种度量方法存在两个关键的科学问题,即如何合理分配各属性的权重和如何避免陷入距离陷阱尚未完全解决。因此,本文在传统CBR故障诊断模型基础上,采用学习型伪度量(LPM)代替距离度量方法,构建一种基于LPM检索的CBR故障诊断模型,并用Tennessee-Eastman(TE)化工过程进行实验研究,主要工作如下:(1)针对CBR距离度量检索方法存在权重分配难题以及容易陷入距离陷阱的问题,研究了一种基于BP神经网络的LPM检索方法,以代替传统的距离度量检索方法。该方法通过定义学习型伪度量准则,对源案例进行重组后形成模式池,再利用模式池训练BP神经网络,使网络逼近LPM准则,从而得到一种新的LPM案例检索模型,为改进CBR故障诊断模型的建立打下了方法基础。(2)针对TE化工过程的故障诊断问题,基于LPM检索方法建立了一种改进的CBR故障诊断模型。该模型包括LPM案例检索、案例重用、案例修正和案例存储等四个部分。首先通过TE仿真模型构造故障诊断案例库,然后,通过训练BP神经网络建立LPM模型,再利用LPM模型度量目标案例与每一个源案例的相似性,得到与目标案例相似的同类案例,接着采用多数重用原则从同类案例中决策出目标案例的故障诊断结果,最后采用基于实践的案例修正方法对诊断结果进行确认和调整,并存储修正后的案例,从而实现故障诊断的增量式学习过程。(3)开发了基于MATLAB、SQL Server和C#的TE化工过程故障诊断实验平台。该平台用C#编制故障诊断系统的操作界面,历史数据存放于SQL Server中,借助于C#调用MATLAB中的故障诊断程序,可以方便而直观的观察不同方法的故障诊断性能,并为进一步研究TE过程的故障诊断方法提供了一个验证工具。