基于KPCA融合AdaBoost-IBOA-ELM模型的TE过程故障诊断

摘要：

为了保障化工系统的安全运行和高质量生产,准确判别化工过程的故障就显得尤为重要.针对田纳西-伊斯曼(Tennessee Eastman,TE)过程故障难以区分以及神经网络等方法在故障诊断中分类准确率较低、分类不稳定等问题,提出一种优化改进极限学习机(extreme learning machine,ELM)的TE过程故障诊断模型.首先利用核主成分分析(kernel principal components analysis,KPCA)方法对TE过程数据进行降维和特征提取,然后采用改进蝴蝶算法(improved butterfly optimization algo-rithm,IBOA)优化ELM的权值和阈值,最后利用自适应提升(adaptive boosting,AdaBoost)算法对分类器进行集成,完成故障分类.仿真结果表明,IBOA比其他优化算法具有更好的寻优能力,改进效果显著,AdaBoost-IBOA-ELM模型能够对测试集中的不同故障进行准确分类,最后的分类准确率高达98.5％,通过和其他网络对比,进一步验证了模型的合理性和优越性.

关键词：田纳西-伊斯曼过程、核主成分分析、改进蝴蝶算法、极限学习机、故障分类

分类号：TP183(自动化基础理论)

资助基金：新疆乌鲁木齐市工业机器人系统操作员技能大师工作室项目

在线出版日期：2024-08-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：102-109