基于改进核主元和支持向量数据描述故障检测.pdf

基于改进核主元和支持向量数据描述故障检测 ·37· 基于改进核主元和支持向量数据描述故障检测 衷路生，王银利 (华东交通大学 电气与电子工程学院，江西 南昌 330000) 摘要：提出基于改进核主元和支持向量数据描述(SVDD)故障检测方法，适合于复杂工业过程具有非线 性和非高斯性的情况。首先，通过对核主元(KPCA)特征空间样本进行重构误差，在样本集上 自动识别 异常值，减少对KPCA算法的影响并增强非线性核映射。然后，利用支持向量数据描述算法处理数据非 高斯信号，据此构建统计量对工业过程进行检测。最后，将所提出的改进核主元和支持 向量数据描述方 法应用于田纳西一伊斯曼(TE，TennesseeEastman)过程的仿真实验 ，结果说明提 出方法的有效性。 关键词 ：复杂工业过程 ；非线性；SVDD；故障检测 中图分类号 ：TP277 文献标识码 ：A 文章编号：1000—8829(2017)01—0037—05 FaultDetectionBasedonImprovedKernelPrincipalComponentand SupportVectorDataDescription ZHONG Lu—sheng，WANG Yin-li (SchoolofElectricalandElectronicEngineering，EastChinaofJiaotongUniversity，Nanchang330000，China) Abstract：Themethodoffaultdetectionbasedonimprovedkernelprincipalcomponentandsupportvectordata description(SVDD)isproposed，whichissuitableforcomplexindustrialprocesseswithnonlinearandnon Gauss．Firstofall，basedonthereconstructionerrorofkernelprincipalcomponentanalysis(KPCA)feature spacesample，theoutliersinthesamplesetareautomaticllyidentifiedtoreducetheimpactontheKPCA algo— rithm andenhancehtenonlinearkernelmapping．Then，thesupportvectordatadescriptionalgorithm isusedto processnon—Gausssignal，wherebytoconstructstatistictodetecttheindustrial processes．Finally，theproposed improvedkernelprincipal componentandsupportvectordatadescriptionmethodisappliedtotheTennessee Eastman(TE)simulationprocess．Theresultsshowtheeffectivenessoftheproposedmethod． Keywords：complexindustrial process；nonlinear；SVDD；faultdetection 多变量统计过程控制(MSPC)方法广泛应用于大 过程数据服从正态分布。实际生产过程中，由于噪声 型工业过程监测。传统MSPC方法包括主成分分析方 干扰、设备老化以及工况变换等原因，过程变量难以服 法 (PCA)和偏最小二乘(PLS)等 ¨J，其中PCA是最 从正态分布 。 常见的降维方法，其局限于线性变换和高斯假设。现 中外学者对过程的非高斯性等复杂特征提出了诸 实生产过程中往往存在着线性、非线性、动态