基于故障判别增强KECA算法的故障检测

发布时间：2023-02-07 18:55

　　基于核熵主成分分析方法的统计模型仅利用正常工况下数据进行建模,而忽略了监控系统数据库中一些已知类别的先前故障数据。为了利用先前故障数据中包含的故障信息来增强故障检测性能,提出了一种故障判别增强KECA (fault discriminant enhanced kernel entropy component analysis, FDKECA)算法。该法通过采用无监督学习和监督学习方法建立模型,同时监测非线性核熵主成分(kernel entropy component, KEC)和故障判别成分(fault discriminant component, FDC)两类数据特征。此外,利用贝叶斯推理将相应的监视统计信息转换为故障概率,并通过加权两个子模型的结果来构建基于总体概率的监视统计量。通过数值仿真和田纳西伊斯曼(Tennessee Eastman, TE)过程仿真实验,证明和传统KECA相比,FDKECA算法能够有效利用故障数据提高故障检测率。

【文章页数】：10 页

【文章目录】：
引言
1 KECA算法
2 FDKECA算法
    2.2 基于贝叶斯故障检测统计量的构建
    2.3 FDKECA故障检测步骤
3 仿真实验
    3.1 数值仿真验证
    3.2 TE仿真验证
4 结论



本文编号：3737259