基于核慢特征分析算法的故障檢測與診斷.pdf

1、隨著計算機技術和信息技術的發(fā)展以及生產規(guī)模的不斷擴大，現代工業(yè)控制系統(tǒng)日趨復雜化、集成化和智能化。工業(yè)過程產生的大量傳感器數據被存儲下來，有效地提取出這些數據中所蘊含的關于系統(tǒng)運行狀況的重要信息以用于過程監(jiān)控，并提高生產效率和品質，具有十分重要的意義。近年來基于數據驅動的故障檢測與診斷技術引起了廣泛的關注，并已成為過程監(jiān)控領域重要的發(fā)展方向。
　　慢特征分析（SFA）作為一種全新的特征提取和降維方法，能夠從時序信號中提取出變化最緩

2、慢的成分，這些成分被稱為慢特征。本質上SFA是將輸入的時序信號進行非線性擴展后投射到高維特征空間，在該特征空間中搜尋最佳的線性組合進而提取出慢特征。慢特征是從原始輸入信號中抽象出來的系統(tǒng)信息在高級層面上的表示，能夠有效表征系統(tǒng)所固有的本質屬性，因而SFA具有挖掘工業(yè)過程真實規(guī)律的潛力。本文將對SFA用于故障檢測與診斷領域做出有益的嘗試。
　　本文的主要研究工作具體如下：
　?。?）將SFA這一新穎的特征提取方法引入故障檢測與

3、診斷領域，以期探尋其應用的潛力和價值。SFA是對時序信號中的不變量進行學習的方法，不變量學習對于數據分析和模式識別都具有重要的意義。對于時序信號來說，不變量指的是從中抽取出的變化最緩慢的元素，它可以揭示系統(tǒng)的固有性質。
　　（2）引入核方法來實現SFA中的非線性擴展得到KSFA，建立了完整的基于KSFA的故障檢測模型，構造了S2統(tǒng)計量和SPE統(tǒng)計量。通過在TE過程實驗平臺上的仿真實驗，證明了KSFA檢測模型的有效性和可行性。