基于KPCA-MVU的噪声非线性过程故障检测方法.pdfVIP

学兔兔 第35卷 第12期 仪 器 仪 表 学 报 Vb1．35 NO．12 2014年 12月 Chinese Journa1 of Scientific Instrument Dec．2014 基于KPCA．MVU的噪声非线性过程故障检测方法水 陈如清 (嘉兴学院机电工程学院 嘉兴 314001) 摘 要：实际化工过程监控数据具有非线性特征且易受随机噪声影响。将核主元分析(KPCA)方法与最大方差 展开(MVU)特征提取算法相结合，提出一种基于 KPCA．MVU的噪声环境下非线性过程故障检测新方法。改 进算法在对非线性噪声数据的降维过程中，首先对各样本点的邻域范围采用局部KPCA方法识别并剔除过程 数据的噪声，再提取输入数据空间中的非线性主元；其次，在保持近邻点间欧式距离不变的前提下，MVU通 过旋转平移等变换在低维特征空间中展开高维数据流形的同时保持数据的全局几何结构。噪声环境下TE过 程的仿真分析和丙烯腈聚合过程的实验研究结果表明，基于改进方法构建的过程故障检测模型可有效改善基 本Mvu和KPCA方法对非线性噪声数据的特征提取性能，有效增强了对噪声的鲁棒性。 关键词：最大方差展开；核主元分析；非线性噪声数据；故障检测 中图分类号：TP27~TH865 文献标识码：A 国家标准学科分类代码：120．5010 Nonlin ear process fault detection method under noise environment using KPCA and MVU ChenRuqing (College ofMechanical and Electrical Engineering,Jiaxing University，Jiaxing 314001，China) ABSTRACT：Actual chemical process monitoring data have s~ong nonlinear behavior and are easily disturbed by random noises．A novel kern el principle component analysis(KPCA)一maximum variance unfolding(MVU)based fault detection method for nonlinear process under noise environment is proposed by combining KPCA and MVU feature extraction algo- rithms．In the dimension reduction process of nonlinear noisy data，local KPCA method is applied to identify and eliminate the noise in the process data in the neighborhood of sample points；and then the nonlinear principal components are ex— tracted in the input data space．Next，under the condition of keeping the Euclidean distances between neighbor points un— changed．MVU is USed to map the original high dimension data space to a low dimension embedding space