由于化工过程的复杂性,数据往往存在动态以及序列之间具有相关性特点,传统的支持向量数据描述(Support Vector Data Description,SVDD)方法,很难保证故障监测的准确性和实时性,提出一种基于加权的动态SVDD(WDSVDD)在线实时故障监测方法...由于化工过程的复杂性,数据往往存在动态以及序列之间具有相关性特点,传统的支持向量数据描述(Support Vector Data Description,SVDD)方法,很难保证故障监测的准确性和实时性,提出一种基于加权的动态SVDD(WDSVDD)在线实时故障监测方法,引入动态方法,考虑了数据之间的序列相关性,利用加权的方法把有用的信息突出显示,利用SVDD方法建立模型,实现了在线实时故障监测。该方法不仅克服了过程数据非高斯、非线性特性对故障监测带来的影响,并且考虑了数据的动态特性和序列之间的关系,通过在数值仿真和TE过程实例中的应用验证了方法的有效性。展开更多
针对间歇生产过程中的故障分类问题,为进一步研究故障所属类型,本文采用支持向量数据描述(support vector data description,SVDD)的方法.在多种类型的故障数据库基础上,应用SVDD建立对应故障种类的模型,利用核函数求出各个模型超球面半...针对间歇生产过程中的故障分类问题,为进一步研究故障所属类型,本文采用支持向量数据描述(support vector data description,SVDD)的方法.在多种类型的故障数据库基础上,应用SVDD建立对应故障种类的模型,利用核函数求出各个模型超球面半径;对于新的待分类故障样本,先考察其与各个种类模型超球面球心的距离,再比较此距离与半径的大小,进而确定故障所属类型,尤其是可能超出各个故障模型检测范围的待测故障样本,对其进行降幅重构迭代,确定其所属类型.该方法不但能够准确识别独立发生的故障,而且对于其他方法难以识别的多种并发的故障也能够有效地实现分类,应用于数值仿真和青霉素发酵过程实验中,验证了其有效性和准确性.展开更多
文摘由于化工过程的复杂性,数据往往存在动态以及序列之间具有相关性特点,传统的支持向量数据描述(Support Vector Data Description,SVDD)方法,很难保证故障监测的准确性和实时性,提出一种基于加权的动态SVDD(WDSVDD)在线实时故障监测方法,引入动态方法,考虑了数据之间的序列相关性,利用加权的方法把有用的信息突出显示,利用SVDD方法建立模型,实现了在线实时故障监测。该方法不仅克服了过程数据非高斯、非线性特性对故障监测带来的影响,并且考虑了数据的动态特性和序列之间的关系,通过在数值仿真和TE过程实例中的应用验证了方法的有效性。
文摘针对间歇生产过程中的故障分类问题,为进一步研究故障所属类型,本文采用支持向量数据描述(support vector data description,SVDD)的方法.在多种类型的故障数据库基础上,应用SVDD建立对应故障种类的模型,利用核函数求出各个模型超球面半径;对于新的待分类故障样本,先考察其与各个种类模型超球面球心的距离,再比较此距离与半径的大小,进而确定故障所属类型,尤其是可能超出各个故障模型检测范围的待测故障样本,对其进行降幅重构迭代,确定其所属类型.该方法不但能够准确识别独立发生的故障,而且对于其他方法难以识别的多种并发的故障也能够有效地实现分类,应用于数值仿真和青霉素发酵过程实验中,验证了其有效性和准确性.
