基于KPCA和SSA优化SVM的非线性过程故障检测

摘要：

针对工业过程产生的非线性数据存在特征维数高的问题,提出一种基于核主成分分析(Kernel Principal Compo-nent Analysis,KPCA)和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化支持向量机(Support Vector Machine,SVM)相结合的过程故障检测算法.首先,采用KPCA算法提取工业过程数据的线性和非线性特征.然后,将提取特征后的数据作为训练样本建立SVM模型,同时利用SSA算法对SVM的惩罚因子和核参数进行优化,寻找最佳分类模型.最后,将最佳的分类模型应用于测试样本进行故障检测.为了验证所提算法的分类效果,本文利用田纳西伊斯曼化工过程数据,将KPCA-SSA-SVM与SVM、KPCA-GA-SVM(Genetic Algorithm,GA)进行对比分析,验证了所提算法的高效性和优越性.

关键词：核主成分分析、麻雀搜索算法、支持向量机、非线性过程、故障检测

分类号：TP273(自动化技术及设备)

资助基金：国家自然科学基金61673279

在线出版日期：2023-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：15-20,32