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.
