基于擴(kuò)散映射低維流形特征空間的過程故障檢測(cè)方法.pdf

1、在現(xiàn)代化工生產(chǎn)中，及時(shí)、有效的檢測(cè)和排除故障可以避免嚴(yán)重的后果的發(fā)生。由于現(xiàn)代工業(yè)生產(chǎn)通過各種傳感器對(duì)設(shè)備進(jìn)行檢測(cè)，從而產(chǎn)生了大量高維非線性數(shù)據(jù)。針對(duì)數(shù)據(jù)的特性，流形學(xué)習(xí)方法在工業(yè)過程故障診斷領(lǐng)域方面得到了越來越多的科學(xué)工作者的重視。
　　考慮到化工過程的數(shù)據(jù)具有的非線性特點(diǎn)以及數(shù)據(jù)采集過程中的噪聲干擾等問題，對(duì)擴(kuò)散映射算法進(jìn)行研究，主要研究?jī)?nèi)容包含以下幾個(gè)方面:
　　1)針對(duì)線性方法對(duì)非線性數(shù)據(jù)的故障檢測(cè)效果低的問題，研究

2、擴(kuò)散映射與SVM相結(jié)合的故障檢測(cè)方法。該方法通過擴(kuò)散映射算法對(duì)數(shù)據(jù)進(jìn)行壓縮處理來降低數(shù)據(jù)的存儲(chǔ)成本，在此基礎(chǔ)上將獲取到的低維特征向量作為SVM模型的輸入進(jìn)行故障的模式識(shí)別。從整體上使得故障檢測(cè)的快速性與準(zhǔn)確性得到提高。利用標(biāo)準(zhǔn)的TE過程數(shù)據(jù)進(jìn)行故障檢測(cè)，驗(yàn)證算法的有效性。
　　2)由于SVM的識(shí)別效果受到其參數(shù)的影響較大。針對(duì)該問題利用人工魚群算法對(duì)其進(jìn)行參數(shù)的優(yōu)化處理，提高算法的故障檢測(cè)精度。并將其與粒子群算法、遺傳算法相比較，