传统的KPCA(Kernel Principal Component Analysis)过程监测方法一般根据经验选取需要的核函数及一定宽度的参数,这样做是非常盲目的。同时单一KPCA模型不能对所有故障都有好的监测效果。为了解决此问题,提出基于集成KPCA的非线性工业...传统的KPCA(Kernel Principal Component Analysis)过程监测方法一般根据经验选取需要的核函数及一定宽度的参数,这样做是非常盲目的。同时单一KPCA模型不能对所有故障都有好的监测效果。为了解决此问题,提出基于集成KPCA的非线性工业过程状态监测方法。通过选取一系列的核函数及其参数构建不同的KPCA模型得到子模型,用贝叶斯方法将众多子模型的监测统计量转化为故障概率,分两步进行融合,得到最终监测结果。实验结果表明,该方法显著地提高了监测性能,同时减小核函数及参数选取对故障监测的影响。展开更多
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
偏最小二乘法(Partial Least Squares, PLS)在工业过程监测等方面得到了广泛研究与应用。为提高基于PLS过程监测的监测效果,针对传统PLS方法采用固定阈值产生大量误报与漏报的问题,提出一种自适应阈值PLS的过程监测方法。该方法首先根...偏最小二乘法(Partial Least Squares, PLS)在工业过程监测等方面得到了广泛研究与应用。为提高基于PLS过程监测的监测效果,针对传统PLS方法采用固定阈值产生大量误报与漏报的问题,提出一种自适应阈值PLS的过程监测方法。该方法首先根据过程正常历史数据建立PLS监测模型,并根据统计量的指数加权移动平均值,计算相应的自适应阈值,用于过程监测。最后,采用田纳西-伊斯曼(TE)过程和大型高炉炼铁过程的仿真实验测试方法的性能,实验结果表明,相对于传统PLS方法,基于自适应阈值PLS的过程监测能够降低误报率,提高过程监测性能。展开更多
文摘传统的KPCA(Kernel Principal Component Analysis)过程监测方法一般根据经验选取需要的核函数及一定宽度的参数,这样做是非常盲目的。同时单一KPCA模型不能对所有故障都有好的监测效果。为了解决此问题,提出基于集成KPCA的非线性工业过程状态监测方法。通过选取一系列的核函数及其参数构建不同的KPCA模型得到子模型,用贝叶斯方法将众多子模型的监测统计量转化为故障概率,分两步进行融合,得到最终监测结果。实验结果表明,该方法显著地提高了监测性能,同时减小核函数及参数选取对故障监测的影响。
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。
文摘偏最小二乘法(Partial Least Squares, PLS)在工业过程监测等方面得到了广泛研究与应用。为提高基于PLS过程监测的监测效果,针对传统PLS方法采用固定阈值产生大量误报与漏报的问题,提出一种自适应阈值PLS的过程监测方法。该方法首先根据过程正常历史数据建立PLS监测模型,并根据统计量的指数加权移动平均值,计算相应的自适应阈值,用于过程监测。最后,采用田纳西-伊斯曼(TE)过程和大型高炉炼铁过程的仿真实验测试方法的性能,实验结果表明,相对于传统PLS方法,基于自适应阈值PLS的过程监测能够降低误报率,提高过程监测性能。
