针对间歇过程数据存在动态变化特征,传统的支持向量数据描述(support vector data description,SVDD)方法很难实现实时在线状态监测的问题,提出一种基于滑动窗口的SVDD在线实时故障监测方法.通过采用适当大小的滑动窗口逐步更新当前子...针对间歇过程数据存在动态变化特征,传统的支持向量数据描述(support vector data description,SVDD)方法很难实现实时在线状态监测的问题,提出一种基于滑动窗口的SVDD在线实时故障监测方法.通过采用适当大小的滑动窗口逐步更新当前子数据空间,建立SVDD子模型,从而实现在线实时故障监测.该方法不仅克服了过程数据非高斯非线性特性给间歇过程故障监测带来的影响,也考虑了数据的动态特性,提高了间歇过程故障监测的实时性和准确性.数值仿真和工业实例验证了方法的有效性.展开更多
针对过程非线性、基于历史数据构建的离线模型泛化性差以及基于滑动窗口和每样本递推更新的在线建模方法难以均衡建模精度和建模速度等问题,提出了一种在线核偏最小二乘(On-line kernel partial least squares,OLKPLS)建模方法.该方法...针对过程非线性、基于历史数据构建的离线模型泛化性差以及基于滑动窗口和每样本递推更新的在线建模方法难以均衡建模精度和建模速度等问题,提出了一种在线核偏最小二乘(On-line kernel partial least squares,OLKPLS)建模方法.该方法依据新样本与建模样本间的近似线性依靠(Approximate linear dependence,ALD)值和代表工业过程特性漂移幅度的阈值,选择有价值样本更新KPLS模型,并采用合成数据和Benchmark平台数据对该方法进行了仿真验证.针对基于离线历史数据建立的融合多传感器信息的磨机负荷参数集成模型难以适应磨矿过程时变特性的问题,提出了基于OLKPLS和在线自适应加权融合算法的在线集成建模方法,并通过实验球磨机的实际运行数据仿真验证了方法的有效性.展开更多
文摘针对间歇过程数据存在动态变化特征,传统的支持向量数据描述(support vector data description,SVDD)方法很难实现实时在线状态监测的问题,提出一种基于滑动窗口的SVDD在线实时故障监测方法.通过采用适当大小的滑动窗口逐步更新当前子数据空间,建立SVDD子模型,从而实现在线实时故障监测.该方法不仅克服了过程数据非高斯非线性特性给间歇过程故障监测带来的影响,也考虑了数据的动态特性,提高了间歇过程故障监测的实时性和准确性.数值仿真和工业实例验证了方法的有效性.
文摘针对过程非线性、基于历史数据构建的离线模型泛化性差以及基于滑动窗口和每样本递推更新的在线建模方法难以均衡建模精度和建模速度等问题,提出了一种在线核偏最小二乘(On-line kernel partial least squares,OLKPLS)建模方法.该方法依据新样本与建模样本间的近似线性依靠(Approximate linear dependence,ALD)值和代表工业过程特性漂移幅度的阈值,选择有价值样本更新KPLS模型,并采用合成数据和Benchmark平台数据对该方法进行了仿真验证.针对基于离线历史数据建立的融合多传感器信息的磨机负荷参数集成模型难以适应磨矿过程时变特性的问题,提出了基于OLKPLS和在线自适应加权融合算法的在线集成建模方法,并通过实验球磨机的实际运行数据仿真验证了方法的有效性.
