本文選題：復(fù)雜機(jī)電系統(tǒng) + 異常監(jiān)測(cè)方法��； 參考：《振動(dòng).測(cè)試與診斷》2017年03期

【摘要】：復(fù)雜機(jī)電系統(tǒng)生產(chǎn)過(guò)程監(jiān)測(cè)數(shù)據(jù)具有明顯的高維非線(xiàn)性和復(fù)雜分布特點(diǎn),針對(duì)傳統(tǒng)的方法難以滿(mǎn)足復(fù)雜系統(tǒng)異常辨識(shí)的要求,提出一種拉普拉斯特征映射-支持向量數(shù)據(jù)描述(Laplacian eigenmaps-support vector domain description,簡(jiǎn)稱(chēng)LE-SVDD)的異常監(jiān)測(cè)方法。由于高維特征空間中距離很近的點(diǎn)投影到低維空間后距離應(yīng)該很近,因此改進(jìn)的LE方法使用一個(gè)有權(quán)無(wú)向圖來(lái)描述一個(gè)流行,用嵌入的方式找到高維數(shù)據(jù)的低維嵌入,從而能夠發(fā)現(xiàn)高維數(shù)據(jù)內(nèi)部的地位流行結(jié)構(gòu)。通過(guò)標(biāo)準(zhǔn)的田納西-伊斯曼過(guò)程(Tennessee Eastman process,簡(jiǎn)稱(chēng)TE過(guò)程)測(cè)試和訓(xùn)練數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),給出了在非線(xiàn)性特征提取和不同時(shí)段異常辨識(shí)的準(zhǔn)確結(jié)果。平均漏報(bào)率和誤報(bào)率都比較低,分別為6.063,6和5.625,3.125,這表明LE-SVDD方法在狀態(tài)監(jiān)測(cè)中具有良好的非線(xiàn)性和高維數(shù)據(jù)處理能力,適用于工程系統(tǒng)的監(jiān)測(cè)診斷。
[Abstract]:The monitoring data of production process of complex electromechanical system have the characteristics of high dimensional nonlinearity and complex distribution, so the traditional methods can not meet the requirements of abnormal identification of complex systems. A method of anomaly detection based on Laplacian eigenmaps-support vector domain description, (LE-SVDDD) based on Laplacian feature mapping and support vector data description is proposed. Because the distance between the very close points in the high-dimensional feature space should be very close to the low-dimensional space, the improved le method uses a weighted undirected graph to describe a popular method, and finds the low-dimensional embedding of the high-dimensional data by embedding. Thus, the status of the high-dimensional data within the popular structure can be found. Based on the standard Tennessee Eastman process (te process) test and training data, the accurate results of nonlinear feature extraction and anomaly identification in different time periods are given. The average misinformation rate and false positive rate are low, which are 6.063and 5.6253.125, respectively. This indicates that the LE-SVDD method has good nonlinear and high-dimensional data processing ability in state monitoring, and is suitable for monitoring and diagnosis of engineering systems.
【作者單位】： 西安交通大學(xué)機(jī)械制造系統(tǒng)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室;新疆大學(xué)機(jī)械工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(51375375) 機(jī)械制造系統(tǒng)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室(西安交通大學(xué))開(kāi)放課題資助項(xiàng)目(sklms2015009)
【分類(lèi)號(hào)】：TQ050.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 王艾倫,鐘掘;復(fù)雜機(jī)電系統(tǒng)的全局耦合建模方法及仿真研究[J];機(jī)械工程學(xué)報(bào);2003年04期

2 賀建軍,喻壽益,鐘掘;一類(lèi)復(fù)雜機(jī)電傳動(dòng)系統(tǒng)的耦合建模方法[J];中南工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年06期

3 ;[J];;年期

相關(guān)會(huì)議論文 前3條

1 屈梁生;溫廣瑞;;復(fù)雜機(jī)電系統(tǒng)安全運(yùn)行及保障[A];設(shè)備監(jiān)測(cè)與診斷技術(shù)及其應(yīng)用——第十二屆全國(guó)設(shè)備監(jiān)測(cè)與診斷學(xué)術(shù)會(huì)議論文集[C];2005年

2 史鐵林;楊叔子;;復(fù)雜機(jī)電系統(tǒng)故障診斷與分類(lèi)的幾種新方法[A];第八屆全國(guó)振動(dòng)理論及應(yīng)用學(xué)術(shù)會(huì)議論文集摘要[C];2003年

3 任鴻頻;胡月圓;;復(fù)雜機(jī)電系統(tǒng)多學(xué)科優(yōu)化設(shè)計(jì)與仿真集成框架開(kāi)發(fā)研究[A];結(jié)構(gòu)及多學(xué)科優(yōu)化工程應(yīng)用與理論研討會(huì)’2009（CSMO-2009）論文集[C];2009年

相關(guān)博士學(xué)位論文 前5條

1 于春雨;復(fù)雜機(jī)電系統(tǒng)可靠性與維修性綜合及預(yù)測(cè)方法研究[D];哈爾濱理工大學(xué);2015年

2 李旭宇;復(fù)雜機(jī)電耦合系統(tǒng)的并行設(shè)計(jì)方法研究[D];中南大學(xué);2004年

3 王成龍;復(fù)雜機(jī)電系統(tǒng)統(tǒng)一建模與仿真技術(shù)研究[D];山東科技大學(xué);2010年

4 賀建軍;復(fù)雜機(jī)電系統(tǒng)機(jī)電耦合分析與解耦控制技術(shù)[D];中南大學(xué);2004年

5 王艾倫;復(fù)雜機(jī)電系統(tǒng)（鍵合圖—模態(tài)分析）方法研究[D];中南大學(xué);2004年

相關(guān)碩士學(xué)位論文 前5條

1 王淑君;基于網(wǎng)絡(luò)模型的復(fù)雜機(jī)電系統(tǒng)關(guān)鍵部件辨識(shí)方法[D];北京交通大學(xué);2017年

2 馬宏;融合視聽(tīng)和內(nèi)部傳感信息的復(fù)雜機(jī)電系統(tǒng)運(yùn)行狀態(tài)監(jiān)測(cè)系統(tǒng)的研究[D];河北工業(yè)大學(xué);2014年

3 仇勇;基于鍵合圖的復(fù)雜機(jī)電系統(tǒng)模塊化自動(dòng)建模及仿真研究[D];中南大學(xué);2004年

4 胡國(guó)鵬;融合視聽(tīng)信息的鍵合圖語(yǔ)言的復(fù)雜機(jī)電系統(tǒng)故障機(jī)理的研究[D];河北工業(yè)大學(xué);2014年

5 曹悅;基于SysML的多域復(fù)雜機(jī)電產(chǎn)品系統(tǒng)層建模與仿真集成研究[D];浙江大學(xué);2011年

，

本文編號(hào)：1875948