基于KPCA-MVU的噪声非线性过程故障检测方法

被引：9

作者：

陈如清

机构：

[1] 嘉兴学院机电工程学院

来源：

仪器仪表学报 | 2014年 / 35卷 / 12期

基金：

浙江省自然科学基金;

关键词：

最大方差展开; 核主元分析; 非线性噪声数据; 故障检测;

D O I：

10.19650/j.cnki.cjsi.2014.12.004

中图分类号：

TP277 [监视、报警、故障诊断系统];

学科分类号：

0804 ; 080401 ; 080402 ;

摘要：

实际化工过程监控数据具有非线性特征且易受随机噪声影响。将核主元分析(KPCA)方法与最大方差展开(MVU)特征提取算法相结合,提出一种基于KPCA-MVU的噪声环境下非线性过程故障检测新方法。改进算法在对非线性噪声数据的降维过程中,首先对各样本点的邻域范围采用局部KPCA方法识别并剔除过程数据的噪声,再提取输入数据空间中的非线性主元;其次,在保持近邻点间欧式距离不变的前提下,MVU通过旋转平移等变换在低维特征空间中展开高维数据流形的同时保持数据的全局几何结构。噪声环境下TE过程的仿真分析和丙烯腈聚合过程的实验研究结果表明,基于改进方法构建的过程故障检测模型可有效改善基本MVU和KPCA方法对非线性噪声数据的特征提取性能,有效增强了对噪声的鲁棒性。

引用

页码：2673 / 2680

页数：8

共 9 条

[1] 基于改进MVU的非线性动态过程故障检测方法 [J].

陈如清 .

仪器仪表学报, 2013, 34 (09) :2111-2117

[2] 基于KPCA-LSSVM的硅锰合金熔炼过程炉渣碱度预测研究 [J].

唐春霞 ;

阳春华 ;

桂卫华 ;

朱红求 .

仪器仪表学报, 2010, 31 (03) :689-693

[3]

LPMVP算法及其在故障检测中的应用 [J]. 张沐光,宋执环.&nbsp&nbsp自动化学报. 2009(06)

[4] 一种新的动态非高斯过程监控方法 [J].

王培良 ;

颜文俊 .

仪器仪表学报, 2009, 30 (03) :471-476

[5]

Statistical process monitoring based on a multi-manifold projection algorithm [J] . Chudong Tong,Xuefeng Yan.&nbsp&nbspChemometrics and Intelligent Laboratory Systems . 2014

[6]

Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring [J] . Qingchao Jiang,Xuefeng Yan.&nbsp&nbspChemometrics and Intelligent Laboratory Systems . 2013

[7] Sensor fault identification and isolation for multivariate non-Gaussian processes [J].

Ge, Zhiqiang ;

Xie, Lei ;

Kruger, Uwe ;

Lamont, Lisa ;

Song, Zhihuan ;

Wang, Shuqing .

JOURNAL OF PROCESS CONTROL, 2009, 19 (10) :1707-1715

[8]

Enhanced statistical analysis of nonlinear processes using KPCA, KICA and SVM [J] . Yingwei Zhang.&nbsp&nbspChemical Engineering Science . 2008 (5)

[9] Exploring process data with the use of robust outlier detection algorithms [J].

Chiang, LH ;

Pell, RJ ;

Seasholtz, MB .

JOURNAL OF PROCESS CONTROL, 2003, 13 (05) :437-449

← 1 →