基于KSFDA-SVDD的非线性过程故障检测方法

摘要：

慢特征分析（SFA）是一种无监督的线性学习算法，没有考虑过程数据的类别信息和非线性特征。针对此问题，提出一种基于核慢特征判别分析（KSFDA）和支持向量数据描述（SVDD）的非线性过程故障检测方法KSFDA-SVDD。该方法首先利用核技巧将数据从原始空间映射到高维空间，然后通过最大化正常工况数据和故障模式数据之间伪时间序列的时间变化同时最小化正常工况数据内部伪时间序列的时间变化计算判别矩阵，最后利用SVDD描述采用判别矩阵降维后的正常工况数据的分布域，构建监控统计量检测过程故障。在连续搅拌反应器（CSTR）过程上的仿真结果表明所提出方法的故障检测性能优于传统的KPCA方法。

关键词：慢特征分析、判别分析、支持向量数据描述、非线性过程、故障检测

所属期刊栏目：67

分类号：TP277(自动化技术及设备)

资助基金：国家自然科学基金项目61273160，61403418；山东省自然科学基金项目ZR2014FL016；中央高校基本科研业务费专项资金14CX06132A。@@@@supported by the National Natural Science Foundation of China61273160,61403418;the Natural Science Foundation of Shandong ProvinceZR2014FL016;the Fundamental Research Funds for the Central Universities14CX06132A

在线出版日期：2016-04-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：827-832