工业过程中各类数据间具有一定的相似性,单纯利用K均值算法对其进行故障诊断时,存在很大的错误率。提出一种基于局部线性嵌入(Locally Linear Embedding,LLE)的K均值聚类算法,将正常数据运用LLE算法降维并求出投影矩阵,利用投影矩阵将...工业过程中各类数据间具有一定的相似性,单纯利用K均值算法对其进行故障诊断时,存在很大的错误率。提出一种基于局部线性嵌入(Locally Linear Embedding,LLE)的K均值聚类算法,将正常数据运用LLE算法降维并求出投影矩阵,利用投影矩阵将原始故障数据映射到低维空间,再利用K均值算法对其聚类,建立检测与诊断模型。将此方法应用于田纳西-伊斯曼(Tennessee-Eastman,TE)过程中进行故障检测与诊断,并同传统K均值算法及LLE算法对比,结果表明:提出的新方法具有更高的正确率,同时可以有效地对未知类型的故障数据进行判别。展开更多
提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis,RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问...提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis,RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问题,采用秩-1矩阵修正对协方差矩阵进行递归分解,递归更新稀疏载荷矩阵和监测统计量的过程控制限,以实现连续工业过程长时间自适应故障监测,对检测出来的故障通过贡献图法实现对故障的诊断.在田纳西-伊斯曼(TE)过程进行实验验证,结果表明,与传统的故障监测方法相比,所提出的方法有效降低了故障漏检率和误报率,且时间复杂度低,确保了故障监测的灵敏度和实时性.展开更多
为提高支持向量机(support vector machine,SVM)的故障检测率,提出一种基于主元增广矩阵的SVM(SVM based on principal component augmented matrix,PCAM-SVM)故障检测方法.运用主元分析(principal component analysis,PCA)算法在主元...为提高支持向量机(support vector machine,SVM)的故障检测率,提出一种基于主元增广矩阵的SVM(SVM based on principal component augmented matrix,PCAM-SVM)故障检测方法.运用主元分析(principal component analysis,PCA)算法在主元空间中计算得分矩阵,再加入得分的时滞输入特性和时差输入特性,构建增广矩阵.运用正常数据和故障数据的增广矩阵训练SVM模型,获得判别分类函数,再运用SVM模型对测试数据进行分类.PCAM-SVM方法通过构建主元增广矩阵,增加模型输入特性复杂度,有效降低了数据自相关性,提高了SVM的故障检测性能.将该方法应用于多变量动态仿真案例和田纳西-伊斯曼过程,并与PCA、独立元分析(independent component analysis,ICA)、核主元分析(kernel principal component analysis,KPCA)、SVM和PCA-SVM方法比较,验证了PCAM-SVM方法的有效性.展开更多
文摘工业过程中各类数据间具有一定的相似性,单纯利用K均值算法对其进行故障诊断时,存在很大的错误率。提出一种基于局部线性嵌入(Locally Linear Embedding,LLE)的K均值聚类算法,将正常数据运用LLE算法降维并求出投影矩阵,利用投影矩阵将原始故障数据映射到低维空间,再利用K均值算法对其聚类,建立检测与诊断模型。将此方法应用于田纳西-伊斯曼(Tennessee-Eastman,TE)过程中进行故障检测与诊断,并同传统K均值算法及LLE算法对比,结果表明:提出的新方法具有更高的正确率,同时可以有效地对未知类型的故障数据进行判别。
文摘提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis,RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问题,采用秩-1矩阵修正对协方差矩阵进行递归分解,递归更新稀疏载荷矩阵和监测统计量的过程控制限,以实现连续工业过程长时间自适应故障监测,对检测出来的故障通过贡献图法实现对故障的诊断.在田纳西-伊斯曼(TE)过程进行实验验证,结果表明,与传统的故障监测方法相比,所提出的方法有效降低了故障漏检率和误报率,且时间复杂度低,确保了故障监测的灵敏度和实时性.
文摘为提高支持向量机(support vector machine,SVM)的故障检测率,提出一种基于主元增广矩阵的SVM(SVM based on principal component augmented matrix,PCAM-SVM)故障检测方法.运用主元分析(principal component analysis,PCA)算法在主元空间中计算得分矩阵,再加入得分的时滞输入特性和时差输入特性,构建增广矩阵.运用正常数据和故障数据的增广矩阵训练SVM模型,获得判别分类函数,再运用SVM模型对测试数据进行分类.PCAM-SVM方法通过构建主元增广矩阵,增加模型输入特性复杂度,有效降低了数据自相关性,提高了SVM的故障检测性能.将该方法应用于多变量动态仿真案例和田纳西-伊斯曼过程,并与PCA、独立元分析(independent component analysis,ICA)、核主元分析(kernel principal component analysis,KPCA)、SVM和PCA-SVM方法比较,验证了PCAM-SVM方法的有效性.
