基于特征样本的KPCA在故障诊断中的应用

作者：范玉刚; 李平; 宋执环

来源：控制与决策, 2005, (12): 1415-1418+1422.

DOI：10.13195/j.cd.2005.12.97.fanyg.021

• 核函数主元分析
• 故障监测
• 特征空间
• 特征提取 Kernel principal component analysis
• Fault detection
• Feature space
• Feature extraction

核函数主元分析(KPCA)可用于非线性过程监控.建立KPCA模型首先要计算核矩阵K,K的维数等于训练样本的数量,对于大样本集,计算K很困难.对此提出一种基于特征样本的KPCA(SKPCA),其基本思想是,首先利用非线性映射函数将输入空间映射到特征子空间,然后在特征子空间中计算主元.将SKPCA应用于监控T ennesseeE astm an过程,并与基于全体样本的KPCA作比较,仿真结果显示,二者诊断结果基本相同,然而特征样本只是训练样本中的一小部分,因此减少了K的维数,解决了K的计算问题.

• 单位
  工业控制技术国家重点实验室