基于核可預測元分析的非線性過程監(jiān)測技術.pdf

1、信息技術的發(fā)展使得現(xiàn)代工業(yè)過程逐漸趨于智能化和復雜化，為保障工業(yè)過程的安全可靠，過程監(jiān)測技術變得越來越重要，基于數(shù)據驅動的方法是目前該領域中的重點研究方向，其關鍵是如何更有效的利用工業(yè)過程中大量的過程數(shù)據進行過程監(jiān)測。
　　核可預測元分析（Kernel Forecastable Component Analysis，KForeCA）是一種新的數(shù)據特征提取方法，具有非常好的非線性數(shù)據處理能力，它在高維特征空間通過線性變換使得數(shù)據中的

2、不確定性最小化，分解得到可預測主元空間和正交白噪聲空間，并且考慮數(shù)據的時序相關性。因此，相比傳統(tǒng)的方法，KForeCA方法可以提取具有動態(tài)時序特性和預測性的數(shù)據特征。
　　基于KForeCA的這些優(yōu)點，本文將KForeCA用于非線性故障檢測與診斷領域，構造新的基于概率的監(jiān)控統(tǒng)計量，并根據KForeCA可預測性的特點，將其用于緩慢故障的預測，對過程監(jiān)測技術作了有益的探索。具體來講，本文的主要工作有如下幾個方面。
　　1.將KF

3、oreCA用于非線性故障檢測，提出基于概率的集成統(tǒng)計量構造方法，突出有用信息的作用，提高了故障檢測的靈敏度，并將移動窗方法用于監(jiān)測過程，將歷史數(shù)據信息考慮到當前過程信息中，提高了過程監(jiān)測的性能。
　　2.提出基于Fisher核可預測元分析（Fisher-KForeCA）的故障診斷方法，將 KForeCA提取的可預測主元，投射到最優(yōu)分類方向，基于判別式最小距離進行故障診斷，避免了冗余信息對故障分類的影響，降低了故障診斷的錯誤分類率。