一种基于局部模型的非线性多工况过程监测方法

被引：46

作者：

葛志强

刘毅

宋执环

王海清

机构：

[1] 浙江大学工业控制研究所工业控制技术国家重点实验室

来源：

自动化学报 | 2008年 / 07期

关键词：

多工况; 非高斯; 非线性; 局部模型; 最小二乘支持向量机回归(LSSVR); ICA-PCA;

D O I：

暂无

中图分类号：

TP277 [监视、报警、故障诊断系统];

学科分类号：

140102 [集成电路设计与设计自动化];

摘要：

针对复杂工业过程中的非线性、非高斯特性以及多工况问题,提出了一种基于局部模型的在线统计监测新方法.首先利用局部最小二乘支持向量机回归(Least square support vector regression,LSSVR)模型对过程输出进行预测,与真实的输出相比较构成残差序列.然后利用ICA-PCA两步特征提取策略,完整地提取残差的高斯和非高斯信息,最后用三个统计量(I2、T2和SPE)对过程进行监测,建立了一种具有非线性、非高斯特性的多工况过程在线监测算法.通过对TE(Tennessee Eastman)过程的仿真研究,验证提出的方法是可行、有效的,并显示出了一定的故障检测能力.

引用

页码：792 / 797

页数：6

共 5 条

[1]

Recursive principal components analysis[J] Thomas Voegtlin Neural Networks 2005,

[2]

Identification of the Tennessee Eastman challenge process with subspace methods[J] Ben C. Juricek;Dale E. Seborg;Wallace E. Larimore Control Engineering Practice 2001,

[3]

The application of principal component analysis and kernel density estimation to enhance process monitoring[J] Q. Chen;R.J. Wynne;P. Goulding;D. Sandoz Control Engineering Practice 2000,

[4]

A Fast Fixed-Point Algorithm for Independent Component Analysis[J] Aapo Hyvärinen;Erkki Oja Neural Computation 1997,

[5]

Fault Detection and Diagnosis in Industrial Systems Chiang LH; Russell EL; Braatz RD; Springer-Verlag 2001,

← 1 →