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
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。
