【摘要】：傳統(tǒng)主成分分析(PCA)算法旨在挖掘訓(xùn)練數(shù)據(jù)各變量間的相關(guān)性特征,已在數(shù)據(jù)驅(qū)動的故障檢測領(lǐng)域得到了廣泛的研究與應(yīng)用。然而,傳統(tǒng)PCA方法在建模過程中通常認(rèn)為各個測量變量的重要性是一致的,因此不能有效而全面地描述出變量間相關(guān)性的差異。為此,提出一種變量加權(quán)型PCA(VWPCA)算法并將之應(yīng)用于故障檢測。首先,通過對訓(xùn)練數(shù)據(jù)進(jìn)行加權(quán)處理,使處理后的數(shù)據(jù)能夠充分體現(xiàn)出變量間相關(guān)性的差異。然后,在此基礎(chǔ)上建立分布式的PCA故障檢測模型。在線實(shí)施故障檢測時,則通過貝葉斯準(zhǔn)則將多組監(jiān)測結(jié)果融合為一組概率指標(biāo)。VWPCA方法通過相關(guān)性大小為各變量賦予不同的權(quán)值,從而將相關(guān)性差異考慮進(jìn)了PCA的建模過程中,相應(yīng)模型對訓(xùn)練數(shù)據(jù)特征的描述也就更全面。最后,通過在TE過程上的測試驗(yàn)證VWPCA方法用于故障檢測的優(yōu)越性。
[Abstract]:The traditional principal component analysis (PCA) algorithm is designed to excavate the correlation characteristics between the variables of the data training. It has been widely studied and applied in the field of data driven fault detection. However, the traditional PCA method usually considers that the importance of each measurement variable is consistent in the modeling process, so it can not describe the variation effectively and comprehensively. For this reason, a variable weighted PCA (VWPCA) algorithm is proposed and applied to fault detection. First, by weighting the training data, the processed data can fully reflect the difference of correlation between variables. On this basis, a distributed PCA fault detection model is established on the basis of online implementation. In the case of fault detection, the multi group monitoring results are fused into a group of probability index.VWPCA method through the Bias criterion to give different weights to each variable by the correlation size, thus the correlation difference is considered in the modeling process of PCA, and the corresponding model is more comprehensive for the description of the training data characteristics. Finally, through the TE process. The test verifies the superiority of the VWPCA method in fault detection.
【作者單位】： 寧波大學(xué)信息科學(xué)與工程學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(61503204) 浙江省自然科學(xué)基金項(xiàng)目(Y16F030001) 寧波市自然科學(xué)基金項(xiàng)目(2016A610092)~~
【分類號】：TP277

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 周樂;宋執(zhí)環(huán);侯北平;費(fèi)正順;;一種魯棒半監(jiān)督建模方法及其在化工過程故障檢測中的應(yīng)用[J];化工學(xué)報;2017年03期

2 江偉;王振雷;王昕;;基于混合分塊DMICA-PCA的全流程過程監(jiān)控方法[J];化工學(xué)報;2017年02期

3 楊健;宋冰;譚帥;侍洪波;;時序約束NPE算法在化工過程故障檢測中的應(yīng)用[J];化工學(xué)報;2016年12期

4 王磊;鄧曉剛;徐瑩;鐘娜;;基于變量子域PCA的故障檢測方法[J];化工學(xué)報;2016年10期

5 童楚東;藍(lán)艇;史旭華;;基于互信息的分散式動態(tài)PCA故障檢測方法[J];化工學(xué)報;2016年10期

6 胡永兵;高學(xué)金;李亞芬;齊詠生;王普;;基于仿射傳播聚類子集主元分析的間歇過程監(jiān)測方法[J];化工學(xué)報;2016年05期

7 薄翠梅;韓曉春;易輝;李俊;;基于聚類選擇k近鄰的LLE算法及故障檢測[J];化工學(xué)報;2016年03期

8 童楚東;史旭華;;基于互信息的PCA方法及其在過程監(jiān)測中的應(yīng)用[J];化工學(xué)報;2015年10期

9 韓敏;張占奎;;基于改進(jìn)核主成分分析的故障檢測與診斷方法[J];化工學(xué)報;2015年06期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王東;張強(qiáng);嚴(yán)亮;;一種融合聚類的監(jiān)督局部線性嵌入算法研究[J];半導(dǎo)體光電;2017年03期

2 王惠中;夏雨婷;喬林翰;劉聯(lián)濤;;關(guān)于電機(jī)故障診斷方法的優(yōu)化研究[J];計算機(jī)仿真;2017年06期

3 王中偉;宋宏;李帥;周曉鋒;;基于對數(shù)變換和最大信息系數(shù)PCA的過程監(jiān)測[J];科學(xué)技術(shù)與工程;2017年16期

4 藍(lán)艇;童楚東;史旭華;;變量加權(quán)型主元分析算法及其在故障檢測中的應(yīng)用[J];化工學(xué)報;2017年08期

5 劉偉e，

本文編號：2143602