文档介绍：学校代码:10254
密级:
论文编号:
上海海事大学
SHANGHAI MARITIME UNIVERSITY
硕士学位论文
MASTER DISSERTATION
论文题目:
数据驱动的传感器系统
多故障诊断方法研究
学科专业:
通信与信息系统
作者姓名:
白洁
指导老师:
朱大奇教授
完成日期:
二〇一〇年六月
论文独创性声明
本论文是我个人在导师指导下进行的研究工作及取得的研究成果。论文中除了特别加以标注和致谢的地方外,不包含其他人或其他机构已经发表或撰写过的研究成果。其他同志对本研究的启发和所做的贡献均已在论文中作了明确的声明并表示了谢意。
作者签名: 日期:
论文使用授权声明
本人同意上海海事大学有关保留、使用学位论文的规定,即:学校有权保留送交论文复印件,允许论文被查阅和借阅;学校可以上网公布论文的全部或部分内容,也可以采用影印、缩印或者其他复印手段保留论文。保密的论文在解密后遵守此规定。
作者签名: 导师签名: 日期
摘要
由于主元分析(PCA,ponent Analysis)模型能有效地降低输入数据的维数,提取有用信息,提高数据分析的效率,因此在故障诊断领域得到了广泛的应用。近年来,随着神经网络的发展,一些基于人工神经网络的PCA故障诊断模型被广泛研究。但大多数故障诊断都是针对单故障系统进行研究,有关基于PCA模型的多故障诊断方法很少报道。
本文针对传感器系统的多故障诊断问题,将CA-CMAC(Credit Assigned Cerebellar Model Articulation Controller)神经网络引入主元分析模型之中,提出基于主元分析的传感器系统多故障诊断模型。首先,应用传感器正常工作时测量的历史数据,由主元分析模型得到所有传感器的预测重构值;接着,计算传感器系统的均方预期误差值SPE( Squared Prediction Error),当系统的SPE值发生跳变时,说明有故障发生;当有多个传感器发生故障时,根据组合不同传感器,再通过对组合传感器信号的重构,计算SPE值,隔离定位发生故障的传感器;最后针对双传感器故障系统,应用仿真实例说明了所提算法的可行性。另外,本文通过分析比较了三种不同的神经网络在构造PCA故障诊断模型时的收敛性能。由BP神经网络构造的PCA模型,不仅收敛速度慢,而且诊断精度也存在不确定性;而常规的CMAC是局部逼近网络,提高了收敛速度,避免了局部极小问题,但和基于信度分配的CMAC神经网络相比,其诊断精度与收敛速度仍然较低;基于CA-CMAC的PCA故障诊断模型,不仅可以快速检测传感器系统故障,而且应用各传感器信号的组合重构,可以实现传感器系统多故障的隔离与定位。
关键字:多故障;主元分析(PCA);信号重构;神经网络;故障检测;故障隔离
ABSTRACT
As the ponent analysis (PCA) model can effectively reduce the dimension of input data, extract useful information and improve the efficiency of data analysis, it has been widely used in the field of fault diagnosis. With the development of works, some PCA diagnosis models based on artificial work have been extensively studied in recent years. However, most of fault diagnosis are studied in allusion to single-fault sensor system. And the fault diagnosis method about multi-fault sensor system based on PCA has rarely been reported.
In this paper, a model based on PCA and CA-CMAC(Credit Assigned Cerebellar Model Articulation Controller)work is proposed for the multi-fault diagnosis of sensor systems. Firstly, predicted values of sensors puted by using historical data measured in fau