基于自联想核回归的带离群值化工过程故障检测
基于数据驱动的故障检测模型通常要求训练数据必须是正常操作条件下的测量值.然而在实际工业生产过程中,即使在正常工况下,数据集中也难以避免存在离群值.此时若仍采用传统的基于多元统计分析的方法,其监测模型的控制限会受到严重影响,造成故障漏报.因此,为了确保当训练数据包含离群值时,监测模型仍然呈现较好的故障检测效果,本文提出了一种基于自联想核回归的故障检测方法.首先基于最小化β散度的鲁棒预白化算法对训练集进行白化计算,消除变量之间相关性对样本相似度度量的影响.然后通过自联想核回归算法重构正常工况下的验证数据,根据重构误差建立模型监测指标.为了消除离群值对故障样本重构的影响,构造截断函数来避免离群样本参与相似故障数据的重构,并对所有参与构建Q统计量的残差变量基于指数加权滑动平均方法自适应加权,得到新的监测统计量.将该方法运用于田纳西-伊斯曼过程并与其他方法进行比较,验证了本文所提故障检测算法的有效性.
离群值、鲁棒白化、自联想核回归、指数加权滑动平均、故障检测
40
TQ02;TQ202;TP277
国家自然科学基金;中央高校基本科研业务费专项资金项目
2023-05-09(万方平台首次上网日期,不代表论文的发表时间)
共10页
583-592