现代工业过程往往具有多个运行模态,并且单一模态中的变量服从高斯与非高斯混合的复杂数据分布。针对多模态与复杂数据分布问题,基于局部离群概率(local outlier probability,LOOP)算法与支持向量数据描述(support vector data descript...现代工业过程往往具有多个运行模态,并且单一模态中的变量服从高斯与非高斯混合的复杂数据分布。针对多模态与复杂数据分布问题,基于局部离群概率(local outlier probability,LOOP)算法与支持向量数据描述(support vector data description,SVDD)算法,提出了一种名为MSVDD(multiple support vector data description,MSVDD)的多模态过程监控方法。首先,考虑到不同模态之间存在差异,利用差分策略以及局部离群概率算法对多模态数据进行聚类。其次,在每个单一模态下分别建立SVDD模型。然后,通过计算测试样本对每个单一模态的离群概率选择合适的模型进行过程监控。最后,在Tennessee Eastman(TE)平台上进行仿真测试以验证提出方法的可行性与有效性。展开更多
文摘现代工业过程往往具有多个运行模态,并且单一模态中的变量服从高斯与非高斯混合的复杂数据分布。针对多模态与复杂数据分布问题,基于局部离群概率(local outlier probability,LOOP)算法与支持向量数据描述(support vector data description,SVDD)算法,提出了一种名为MSVDD(multiple support vector data description,MSVDD)的多模态过程监控方法。首先,考虑到不同模态之间存在差异,利用差分策略以及局部离群概率算法对多模态数据进行聚类。其次,在每个单一模态下分别建立SVDD模型。然后,通过计算测试样本对每个单一模态的离群概率选择合适的模型进行过程监控。最后,在Tennessee Eastman(TE)平台上进行仿真测试以验证提出方法的可行性与有效性。
