流形学习和半监督SVM新算法用于复杂工业过程故障诊断的研究

对复杂工业过程故障进行智能诊断对于保证生产过程安全可靠地运行、保障人员生命和健康、给国家减少重大损失、保护环境、实现基于预测的维修、提高企业的经济效益和竞争能力有着非常重要的意义，是国民经济和社会发展中迫切需要解决的关键问题。研究新的流形学习和半监督支持向量机算法，将其应用于复杂工业过程故障在线智能诊断，必将极大提高故障诊断系统的性能。同时，流形学习和半监督支持向量机新算法的研究具有重要的学术价值。在复杂工业过程故障诊断中，故障样本集处理和降维、特征向量提取和优化、准确高效的故障识别是至关重要的问题，本项目将针对复杂工业过程故障的特点，以两个典型的复杂工业过程为背景，研究基于流形学习的故障数据处理及降维、特征向量提取及优化新算法；研究半监督支持向量机新算法、不平衡数据半监督学习新算法、支持向量缩减新算法；新算法将具有较高的诊断精度和较快的诊断速度。

项目研究按年度研究计划进行，对流形学习和半监督SVM新算法用于复杂工业过程故障诊断进行了系统的研究。(1)重点研究了新的流形学习和半监督支持向量机算法，提出了虚拟样本构造和流形压缩新算法、新的半监督支持向量机改进算法。(2) 重点研究了非平衡数据半监督SVM学习算法，分别提出了基于可适应支持向量机和基于可选支持向量机的不平衡数据分类新算法。(3) 重点研究了大规模训练集的支持向量动态约减方法，提出了SVM大规模样本集支持向量动态约简新算法、基于成本意识的支持向量约简新算法、改进的集成二叉树SVM新算法。(4)重点研究了支持向量机算法改进，提出了基于提升小波与递推最小二乘支持向量机相结合、基于增强型最小二乘孪生支持向量机、广泛权重的最小二乘孪生支持向量机、基于模糊相关度的二叉树SVM分类新算法。(5)重点研究了复杂工业过程故障特征向量提取和优化方法，提出了新的算法。(6)重点研究了基于支持向量回归机的流程工业故障预测方法，提出了新型加权支持向量回归机算法、基于加速收敛的粒子群优化支持向量回归机预测改进算法。(7)对所提出的算法进行了大量的仿真实验，验证和所提算法的可行性和与其他方法相比时的优越性。(8)开发了一种新的高炉故障诊断系统，为项目提出的算法的在线实现奠定了基础。共发表和录用学术论文14篇，新投出论文2篇，培养3名博士研究生、8名硕士研究生。