摘要

核熵成分分析(KECA)特征提取过程中只保留了数据的最大瑞丽熵(Renyi)信息,没有充分利用数据的类别信息。由于监督学习算法线性判别分析(LDA)能够有效提取特征中的类别信息,因此提出KECA-LDA(KEDA)的特征提取方法。首先KECA依据最小Renyi熵损失策略对数据进行维数约简;然后在KECA特征空间使用LDA算法获取具有判别信息的低维特征并输入到支持向量机(SVM)分类器中,利用天牛须优化算法(BAS)得到最佳性能的SVM分类器,从而建立故障诊断模型。将KEDA-BAS-SVM方法应用于田纳西-伊斯曼化工过程(TE)进行仿真实验,结果表明:当采用基于距离测度的矩阵相似性优化确定KEDA中所选用的径向基函数(RBF)核参数时,相比KECA和LDA算法,KEDA特征提取后多类型故障诊断准确率达到99.7%,验证了KEDA-BAS-SVM在多类型故障诊断领域的优越性。

全文