基于K-均值聚类的KPCA在故障诊断中的应用

作者：汪司飞; 黄斐

来源：计算机应用与软件, 2013, (04): 120-123+130.

• 核主成分分析
• K-均值聚类
• 故障诊断
• TE
• 过程 Kernel principal Component analysis K-means clustering Fault diagnosis TE process

针对大规模样本集的核主成分分析(KPCA)存在计算代价巨大的问题,提出一种新的KPCA快速算法。该算法通过施行改进初始中心选择策略的K-均值聚类算法划分样本集,然后选取每个分类的中心作为样本集建立KPCA模型。将该方法应用于TE(Tennessee Eastman)过程的故障诊断,与基于全体样本的KPCA进行比较。实验结果表明,二者的诊断效果相当,但是新的方法在计算上所耗费的时间更少。

• 单位
  苏州大学