科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了有效地提高支持向量机(SVM)在工业过程中的故障检测性能，提出一种基于滑动窗口的核熵成分分析(KECA)和支持向量机(SVM)结合(MWKECA-SVM)的非线性过程故障检测方法。运用核熵成分分析(KECA)提取包含非线性特征信息的得分向量作为SVM的输入。运用正常和故障数据的非线性特征向量训练SVM模型获得判别分类函数。建立模型之后，运用滑动窗口对模型进行动态更新。将MWKECA-SVM方法应用于田纳西-伊斯曼过程中，并与核主元分析(KPCA)、滑动窗口KPCA(MWKPCA)、KECA和SVM方法进行比较。结果表明，MWKECA-SVM方法能够动态地提取过程变量的特征信息，有效地提高故障检测率，在一定程度上增强了信息的动态提取和实时监控能力。
- 单位
