Tennessee-Eastman过程的学习型案例推理故障诊断方法
严爱军1
王英杰2
王殿辉3
1.北京工业大学信息学部自动化学院,北京100124;计算智能与智能系统北京市重点实验室,北京100124;数字社区教育部工程研究中心,北京100124;城市轨道交通北京实验室,北京1001242.北京工业大学信息学部自动化学院,北京100124;数字社区教育部工程研究中心,北京1001243.北京工业大学信息学部自动化学院,北京100124;拉筹佰大学计算机科学与计算机工程系,墨尔本VIC 3086
摘要：为了提高Tennessee-Eastman(TE)过程的故障诊断准确率,本文研究一种学习型伪度量(learning pseudo metric,LPM)代替距离度量的案例检索方法,并建立了TE过程的案例推理(case-based reasoning,CBR)故障诊断模型.首先建立LPM度量准则并对LPM模型进行训练,其次度量目标案例与每一个源案例的相似度,从中检索与目标案例相似的同类案例,再采用多数重用原则从同类案例中决策出目标案例的解,最后通过TE过程的运行数据对该方法的性能进行测试,并与典型的CBR和BP(back-propagation)神经网络和支持向量机等方法进行对比,表明本文方法能有效提高故障诊断准确率,在实际化工过程中具有一定的推广应用价值.
关键词：TE过程故障诊断案例推理学习型伪度量案例检索
分类号：TP273(自动化技术及设备)
论文发表日期：2017-01-01
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 1179-1184 )
英文信息