检索结果-南通市图书馆

基于多元统计分析和SVM的工业过程故障检测

在线全文

学校读者我要写书评

暂无评论

基于多元统计分析和SVM的工业过程故障检测

作者：李涛沈阳化工大学

学位级别：硕士

在现代工业生产高度智能化的时代背景下,对于复杂工业过程而言,有效地提高控制系统的故障检测性能变得尤为重要。基于数据驱动的多元统计分析方法可以有效地检测故障,提高系统的可靠性。本文以提高支持向量机(SVM)算法在工业过程中的故... 详细信息

在现代工业生产高度智能化的时代背景下,对于复杂工业过程而言,有效地提高控制系统的故障检测性能变得尤为重要。基于数据驱动的多元统计分析方法可以有效地检测故障,提高系统的可靠性。本文以提高支持向量机(SVM)算法在工业过程中的故障检测性能为目的,研究了基于多元统计分析和SVM的工业过程故障检测算法,本文主要工作及贡献如下:(1)为了提高支持向量机的故障检测率,提出一种基于主元增广矩阵的SVM故障检测方法(PCAM-SVM)。首先,运用主元分析算法(PCA)在主元空间中计算得分矩阵;然后,加入得分的时滞输入特性和时差输入特性,构建增广矩阵。运用正常和故障数据的增广矩阵训练SVM模型,获得判别分类函数。最后,运用SVM模型对测试数据进行分类。本文方法通过构建主元增广矩阵,增加模型输入特性复杂度,有效降低数据自相关性,提高SVM的故障检测性能。将该方法应用于多变量动态过程数值例子和田纳西—伊斯曼过程,并与PCA、独立元分析(ICA)、核主元分析(KPCA)、SVM和PCA-SVM方法比较,实验结果验证了PCAM-SVM方法的有效性。(2)为了改进支持向量机在工业过程故障检测中的性能,提出一种基于核主元空间支持向量机的故障检测方法。首先,运用核主元分析算法处理数据,获取数据的核主元,在核主元空间计算Hotelling’s T统计量;然后,在T统计量基础上加入时滞特性和时差特性,并将三者组合成增广矩阵,运用正常和故障数据的增广矩阵训练SVM模型;最后,运用SVM模型对测试数据进行分类,实现对故障的检测。将本方法应用于非线性数值例子和田纳西—伊斯曼工业过程中,与PCA、KPCA、SVM和KPCA-LSSVM方法作比较,实验结果验证了本方法的有效性。(3)为了有效提高支持向量机算法的故障检测和监视性能,提出一种新的基于DW-ICA-SVM的工业过程故障检测算法。首先对训练数据进行标准化,运用独立元分析获取数据的独立元矩阵,提取隐藏的非高斯信息;然后运用杜宾-瓦特森(Durbin-Watson,DW)准则计算独立元(ICs)的DW值,通过DW方法选取重要的ICs。将包含重要信息的ICs作为SVM模型的输入,获得判别分类函数。最后将测试数据的ICs输入该模型,对其进行故障检测和监视。将该方法运用于非线性数值例子和田纳西-伊斯曼工业过程,并与PCA、LPP、ICA、SVM和ICA-SVM方法比较。结果表明,所提方法降低了样本间的自相关性,有效提高了故障检测率。所提方法在一定程度上加强了对隐藏的非高斯信息的提取与识别,为提高SVM算法在工业工程故障检测中的性能提供了参考。(4)为了降低样本间的自相关性对支持向量机检测性能的影响,提出一种基于高斯和非高斯双子空间SVM(DSSVM)的故障检测方法。首先运用Kolmogorov-Smirnov(KS)检验原始数据中过程变量的正态分布特性,将过程变量划分为高斯子空间和非高斯子空间,并建立基于PCA的高斯子空间和ICA的非高斯子空间故障检测模型;然后,分别对主元矩阵和独立元矩阵引入时滞特性和时差输入特性,该特性的引入能够降低样本间的自相关性;最后将引入时滞和时差特性的矩阵进行组合,运用SVM模型对其进行故障检测和监视。将该方法运用于多变量数值仿真和田纳西—伊斯曼工业过程,并与PCA、ICA、SVM和基于变量分布特征的统计过程检测方法(VDSPM)比较,仿真实验结果验证了该算法的有效性。(5)为了有效地提高支持向量机在工业过程中的故障检测性能,提出一种基于滑动窗口KECA-SVM的非线性过程故障检测方法(MWKECA-SVM)。运用核熵成分分析(KECA)提取包含非线性特征信息的得分向量作为SVM的输入。运用正常和故障数据的非线性特征向量训练SVM模型获得判别分类函数。建立模型之后,运用滑动窗口对模型进行动态更新。将MWKECA-SVM方法应用于田纳西—伊斯曼过程中,并与KPCA、滑动窗口KPCA(MWKPCA)、KECA和SVM方法比较。结果表明,MWKECA-SVM方法能够动态提取过程变量特征信息,有效提高故障检测率。所提方法在一定程度上增强了信息的动态提取和实时监控能力,为提高SVM算法在非线性过程故障检测中的性能提供了参考。(6)为了有效地对多模态数据进行检测,提出基于密度空间支持向量机的多模态过程故障检测方法。运用局部概率密度方法对多模态数据进行预处理,消除多模态数据对过程故障检测特性的影响。在密度空间,运用正常和故障数据训练SVM模型获得权重向量和位移。把校验数据和待测试的故障数据作为SVM模型的输入,对其进行监视和检测。将该方法运用于田纳西—伊斯曼多模态过程,仿真结果表明,对某些故障PCA和KPCA的检测效果最好,而对于某些故障SVM的检测效果最好。SVM的平均故障检测率优于PCA和KPCA。因此,

关键词：工业过程非线性过程多模态过程故障检测支持向量机多元统计分析自相关性局部概率密度

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于局部熵双子空间的多模态过程故障检测

控制理论与应用 2020年第9期37卷 2020-2028页

作者：郭金玉刘玉超李元沈阳化工大学信息工程学院辽宁沈阳110142

为了提高非高斯工业过程的检测性能,提出局部熵双子空间(LEDS)的多模态过程故障检测方法.运用局部概率密度估计构建数据的局部熵矩阵,消除数据的多模态特性.用Kolmogorov-Smirnov (KS)检验局部熵数据中变量的正态分布特性,对高斯分布和... 详细信息

为了提高非高斯工业过程的检测性能,提出局部熵双子空间(LEDS)的多模态过程故障检测方法.运用局部概率密度估计构建数据的局部熵矩阵,消除数据的多模态特性.用Kolmogorov-Smirnov (KS)检验局部熵数据中变量的正态分布特性,对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和ICA的非高斯子空间故障检测模型.利用Bayesian决策将检测结果转化成发生故障概率的形式,将检测结果组合成最终的统计信息,进行故障检测.将该方法应用于数值例子和田纳西–伊斯曼多模态过程,仿真结果表明,该方法在误报率较低的情况下,故障检测率最高,优于PCA、局部熵PCA(LEPCA)和局部熵ICA(LEICA)方法.

关键词：多模态过程局部概率密度局部熵 KS检验 Bayesian决策

在线全文

学校读者我要写书评

暂无评论

基于多模型SVM的多模态过程故障检测

沈阳化工大学学报 2023年第6期37卷 533-541页

作者：郭金玉李涛李元沈阳化工大学信息工程学院辽宁沈阳110142

为了有效改进支持向量机(SVM)在工业过程中的故障检测性能,提出一种基于多模型SVM(multi-model SVM,MM-SVM)的多模态过程故障检测方法.首先,运用局部概率密度方法对多模态数据进行预处理,消除多模态数据对故障检测性能的影响;其次,通过... 详细信息

为了有效改进支持向量机(SVM)在工业过程中的故障检测性能,提出一种基于多模型SVM(multi-model SVM,MM-SVM)的多模态过程故障检测方法.首先,运用局部概率密度方法对多模态数据进行预处理,消除多模态数据对故障检测性能的影响;其次,通过改变SVM的核参数建立多个SVM模型进行故障分类;最后,将多个SVM模型的分类结果进行整合,通过概率大小定义数据类别,实现对故障的有效检测.将该方法应用于多模态数值例子和田纳西-伊斯曼多模态过程,并与PCA、KPCA和SVM方法作比较,实验结果进一步验证了该方法的有效性.

关键词：支持向量机核参数局部概率密度多模态过程故障检测

在线全文

学校读者我要写书评

暂无评论

基于LPD-NMF的多模态过程监视

计算机应用与软件 2021年第10期38卷 72-77,83页

作者：郭金玉王东琴李元沈阳化工大学信息工程学院辽宁沈阳110142

为了提高NMF方法在方差差异明显的多模态过程中的监视效果,提出一种基于LPD-NMF的多模态过程监视方法。对多模态过程训练数据运用局部概率密度(LPD)进行预处理,消除方差差异明显的多模态特性。运用非负矩阵分解算法进行降维和局部特征提... 详细信息

为了提高NMF方法在方差差异明显的多模态过程中的监视效果,提出一种基于LPD-NMF的多模态过程监视方法。对多模态过程训练数据运用局部概率密度(LPD)进行预处理,消除方差差异明显的多模态特性。运用非负矩阵分解算法进行降维和局部特征提取,计算每个低维样本与其k个近邻欧氏距离的平方和,使用核密度估计(KDE)算法来确定控制限进行多模态过程监视。将该方法应用于数值例子和半导体数据,结果表明,其过程监视结果优于常规kNN、WkNN和LPD-kNN方法。

关键词：多模态过程监视局部概率密度 NMF 核密度估计

在线全文

学校读者我要写书评

暂无评论

基于局部算法的多模态工业过程故障检测研究

基于局部算法的多模态工业过程故障检测研究

作者：王东琴沈阳化工大学

学位级别：硕士

近年来,科学技术的飞快进步和现代人们所追求的产品高质量、生产安全及稳定生产过程导致了故障出现的频率越来越高,工业生产过程监视对于安全生产来说是非常重要的。为了提高系统的安全性,监控系统的性能问题越来越受到关注。基于数据... 详细信息

近年来,科学技术的飞快进步和现代人们所追求的产品高质量、生产安全及稳定生产过程导致了故障出现的频率越来越高,工业生产过程监视对于安全生产来说是非常重要的。为了提高系统的安全性,监控系统的性能问题越来越受到关注。基于数据驱动的故障检测技术可以提高系统的安全性,减少损失。本文以提高方差差异明显的多模态过程的故障检测性能为目的,研究基于局部算法的多模态过程的故障检测算法,本文主要工作及贡献如下:(1)为了提高k近邻(kNN)方法在稀疏差异很大的多模态数据中的监测效果,提出基于马氏距离kNN(MD-kNN)的多模态过程故障检测算法。首先寻找训练数据的k个近邻样本,计算其马氏距离的平方和,运用核密度估计确定其控制限。对新来的样本,计算其与训练集中的k个近邻样本的马氏距离平方和,将其与控制限比较进行过程监视。最后通过数值例子和半导体过程数据的仿真结果验证了该算法的有效性。(2)为了提高局部保持投影(LPP)算法在各模态离散程度差异较大的多模态过程中的故障检测性能,提出一种新的基于二阶差商LPP(SODQ-LPP)的多模态过程故障检测方法。首先对多模态过程训练数据进行二阶差商预处理,消除模态间的方差差异,然后运用LPP算法进行降维和特征提取,计算样本的统计量,并利用核密度估计(KDE)确定控制限。对于新来的校验样本数据进行二阶差商处理后,向LPP模型上进行投影,计算新数据的统计量并与控制限比较进行故障检测。最后通过多模态数值例子和半导体过程数据的仿真实验结果验证了该算法的有效性。(3)为了提高NMF方法在方差差异明显的多模态过程中的监视效果,提出一种基于LPD-NMF的多模态过程监视方法。首先对多模态过程训练数据运用局部概率密度(LPD)进行预处理,消除方差差异明显的多模态特性。然后运用非负矩阵分解(NMF)算法进行降维和局部特征提取,计算样本的D统计量,并利用核密度估计(KDE)确定控制限。对于新来的校验样本数据运用局部概率密度处理后,向NMF模型上进行投影,计算新数据的统计量并与控制限比较进行过程监视。最后通过数值例子和半导体过程数据的仿真结果验证了该算法的有效性。

关键词：多模态过程故障检测马氏距离 k近邻局部保持投影二阶差商局部概率密度非负矩阵分解

基于全局和局部信息融合的SVM多模态过程故障检测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

沈阳大学学报（自然科学版） 2021年第6期33卷 486-493页

作者：郭金玉李涛李元沈阳化工大学信息工程学院辽宁沈阳110142

为了有效地提高支持向量机(SVM)对多模态过程的故障检测性能,提出一种基于全局和局部信息融合的SVM多模态过程故障检测方法。运用局部概率密度方法对多模态数据进行预处理,消除多模态数据对工业过程故障检测特性的影响。在密度空间,分... 详细信息

为了有效地提高支持向量机(SVM)对多模态过程的故障检测性能,提出一种基于全局和局部信息融合的SVM多模态过程故障检测方法。运用局部概率密度方法对多模态数据进行预处理,消除多模态数据对工业过程故障检测特性的影响。在密度空间,分别运用主元分析(PCA)和局部保持投影(LPP)算法计算主元,提取数据的全局和局部信息,并将两者融合作为SVM的输入。运用正常和故障数据的全局和局部融合的信息训练SVM模型获得判别分类函数。建立模型之后,SVM能学习正常和故障数据的特性,从而将数据正确分类。将本方法运用于田纳西-伊斯曼多模态过程中,与传统PCA、LPP和SVM方法比较,实验结果进一步验证了本方法的有效性。

关键词：局部概率密度主元分析局部保持投影支持向量机多模态过程故障检测