1、現(xiàn)代工業(yè)過程的規(guī)模不斷擴大和復雜程度日益提高，系統(tǒng)故障類型種類多，多元化，因此，對設備的運行狀態(tài)進行準確、有效地故障檢測和故障診斷是十分必要的。為了提高故障診斷算法的性能，本文提出基于經驗模態(tài)分解(EMD)-及時學習(JITL)-改進萬有引力搜索算法(IGSA)-遞推最小二乘支持向量機(RLSSVM)的工業(yè)過程故障診斷算法。
　　目前所采用的工業(yè)過程故障診斷算法主要是基于數(shù)據(jù)驅動的故障診斷算法，而從工業(yè)過程中采集的數(shù)據(jù)往往會因為外

2、界工況或其設備本身等的影響含有噪聲。因此，要對采集的數(shù)據(jù)進行去噪處理。傳統(tǒng)的去噪方法不能很好的對非平穩(wěn)、非線性的數(shù)據(jù)進行去噪。本文應用具備很強的非平穩(wěn)信號分解能力的EMD算法對數(shù)據(jù)進行去噪處理，它將數(shù)據(jù)分解成一系列的獨立成分，通過對獨立成分進行處理得到去噪后的數(shù)據(jù)。當處理大量數(shù)據(jù)時，傳統(tǒng)方法不能及時有效的建模，而且模型也不能隨著工況的變化及時更新，因此本文采用JITL算法來解決模型及時更新的問題。JITL算法將大量正常工況下采集的原始數(shù)

3、據(jù)當作參考數(shù)據(jù)集，應用距離法在參考數(shù)據(jù)集中找到小樣本待檢測數(shù)據(jù)集的相關數(shù)據(jù)集，將大量數(shù)據(jù)轉換為小樣本數(shù)據(jù)從而使模型可以快速更新，提高算法建模的效率和故障診斷的性能。
　　在故障診斷中，模型中的參數(shù)對診斷性能有重大影響。本文采用IGSA算法對診斷模型中的參數(shù)進行優(yōu)化。標準GSA算法有收斂速度慢且易陷入局部最優(yōu)等缺點，為克服上述缺點提出基于混沌算法和自適應權重的改進GSA算法來優(yōu)化模型中的參數(shù)?；谏鲜龇治鎏岢?EMD-JITL-IG