發(fā)布時間：2023-02-07 18:55

　　基于核熵主成分分析方法的統(tǒng)計模型僅利用正常工況下數(shù)據(jù)進行建模,而忽略了監(jiān)控系統(tǒng)數(shù)據(jù)庫中一些已知類別的先前故障數(shù)據(jù)。為了利用先前故障數(shù)據(jù)中包含的故障信息來增強故障檢測性能,提出了一種故障判別增強KECA (fault discriminant enhanced kernel entropy component analysis, FDKECA)算法。該法通過采用無監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)方法建立模型,同時監(jiān)測非線性核熵主成分(kernel entropy component, KEC)和故障判別成分(fault discriminant component, FDC)兩類數(shù)據(jù)特征。此外,利用貝葉斯推理將相應(yīng)的監(jiān)視統(tǒng)計信息轉(zhuǎn)換為故障概率,并通過加權(quán)兩個子模型的結(jié)果來構(gòu)建基于總體概率的監(jiān)視統(tǒng)計量。通過數(shù)值仿真和田納西伊斯曼(Tennessee Eastman, TE)過程仿真實驗,證明和傳統(tǒng)KECA相比,FDKECA算法能夠有效利用故障數(shù)據(jù)提高故障檢測率。

【文章頁數(shù)】：10 頁

【文章目錄】：
引言
1 KECA算法
2 FDKECA算法
    2.2 基于貝葉斯故障檢測統(tǒng)計量的構(gòu)建
    2.3 FDKECA故障檢測步驟
3 仿真實驗
    3.1 數(shù)值仿真驗證
    3.2 TE仿真驗證
4 結(jié)論



本文編號：3737259