基于密度权重支持向量数据描述的冷水机组故障检测

虚警率（FAR）是评价冷水机组故障检测性能的关键指标,用户无法接受过高的FAR。为了降低支持向量数据描述（SVDD）在冷水机组故障检测时的FAR,将密度权重集成到SVDD中,提出了一种基于密度权重支持向量数据描述（DW-SVDD）的冷水机组故障检测方法,该方法考虑了样本数据在真实空间中的密度分布情况。使用ASHRAE RP-1043冷水机组实验数据对提出的方法进行验证,并将检测结果与传统SVDD的冷水机组故障检测方法进行比较。结果表明,提出的方法将FAR从10.5%降低到7%,同比下降超过了30%,同时对4个劣化等级下的7种典型冷水机组故障有着优良的检测性能。     

基于加权深度支持向量数据描述的工业过程故障检测

传统支持向量数据描述（SVDD）方法本质上采用浅层学习框架,难以有效监控非线性工业过程的复杂故障。针对此问题,提出一种基于加权深度支持向量数据描述（WDSVDD）的故障检测方法。该方法一方面在深度学习框架下重新定义SVDD优化目标函数,构建基于深度特征的深度SVDD监控模型（DSVDD）,并利用核密度估计法计算监控指标的统计控制限;另一方面,考虑到深度特征的故障敏感度差异特性,在DSVDD监控模型中设计特征加权层,分别从静态和动态信息分析角度给出权重因子的计算方法,利用权重因子突出故障敏感特征的影响以提高故障检测率。应用于一个典型化工过程的测试结果表明,所研究的方法能够比传统SVDD方法更有效地监控过程中复杂故障的发生。     

基于最大信息系数的分组支持向量数据描述故障检测

工业过程的众多变量之间往往存在着复杂的相关关系,传统的故障检测模型通常会忽略不同变量间相关性的差异,对不同相关关系的变量采用相同的特征提取方法,从而导致检测效果欠佳。针对以上问题,提出了一种基于最大信息系数的分组支持向量数据描述故障检测模型,首先计算变量间的最大信息系数矩阵,按照相关性的不同对变量进行分组,再通过最大信息系数为模型混合核函数中高斯核与多项式核的权重分配提供理论指导,从而分别为各组建立不同的支持向量数据描述检测模型,完成最大信息系数与支持向量数据描述的紧密结合,最终实现分布式故障检测。通过仿真对比,验证了该模型的可行性与有效性。     

基于支持向量描述的变压器故障分类方法

本文首次将支持向量数据描述方法引入到电力变压器的故障诊断中,该方法只需较少的变压器状态数据,就可以建立针对该状态的单值分类器,区分设备是否处于该状态,具有较强的实用性和扩展性。通过将该方法应用于电力变压器的运行状态评估中,可以及时、正确地评价出设备状态异常的类型,为成功诊断设备的早期故障提供帮助。最后本文通过运行变压器的实际数据,对该方法进行了验证,实验结果表明,该方法与传统的变压器故障分类方法相比,减少了训练所需的数据量,同时分类的准确率也有了较好的提升。     

基于支持向量数据描述的非高斯过程故障重构与诊断

提出一种基于支持向量描述（SVDD）的统计过程监控与故障重构及诊断算法,避免了PCA、PLS等传统统计过程监控方法假设过程数据服从高斯分布的不足。鲁棒故障重构算法通过迭代保证重构后的数据对应的SVDD监控统计量最小化。诊断算法根据故障集中的不同故障重构后监控统计量是否恢复正常,确定实际发生的过程故障。CSTR过程的仿真研究表明了所提出方法的有效性。     

基于核相似度支持向量数据描述的间歇过程监测

基于支持向量数据描述的间歇过程监测方法选择历史过程数据中最大的核距离作为控制限,忽略了高维空间中超球体的不规则性,导致基于该方法的过程监测精度不高。针对上述问题,提出了一种基于核相似度支持向量数据描述的间歇过程监测方法,将间歇过程数据待监测样本与支持向量之间的核函数值作为相似度权重,利用该相似度对不同时刻的支持向量球心距加权求和,得到待监测间歇过程数据样本的动态控制限,通过判断待监测样本的球心距是否超过其动态控制限,实现间歇过程监测。所提方法综合考虑了超球体的不规则性和过程数据在高维空间分布的局部特性,以及间歇过程数据待监测样本的时变性,提高了间歇过程监测的准确性。利用数值仿真实验和半导体金属刻蚀实验验证了该方法的有效性。     

基于核相似度支持向量数据描述的间歇过程监测

基于支持向量数据描述的间歇过程监测方法选择历史过程数据中最大的核距离作为控制限,忽略了高维空间中超球体的不规则性,导致基于该方法的过程监测精度不高。针对上述问题,提出了一种基于核相似度支持向量数据描述的间歇过程监测方法,将间歇过程数据待监测样本与支持向量之间的核函数值作为相似度权重,利用该相似度对不同时刻的支持向量球心距加权求和,得到待监测间歇过程数据样本的动态控制限,通过判断待监测样本的球心距是否超过其动态控制限,实现间歇过程监测。所提方法综合考虑了超球体的不规则性和过程数据在高维空间分布的局部特性,以及间歇过程数据待监测样本的时变性,提高了间歇过程监测的准确性。利用数值仿真实验和半导体金属刻蚀实验验证了该方法的有效性。     

基于多核支持向量机的多模态过程故障检测

针对具有多模态、非线性特征的复杂分布数据的工业过程,提出一种基于局部相对概率密度（LRPD）的多核支持向量机（MKSVM）故障检测方法LRPD-MKSVM。首先,计算训练样本的局部概率密度矩阵并进行标准化处理,来消除数据的多模态特性;其次,运用标准化后的概率密度矩阵训练多核SVM模型,获得判别分类函数;之后,将测试数据的概率密度矩阵作为多核SVM模型的输入,对其进行分类;最后,将该方法应用于TE多模态工业过程,分别与基于单核的高斯核函数SVM(RBFSVM)、多项式核函数SVM(POLYSVM)分类方法 对比分析,结果表明：基于多核SVM方法的分类正确率明显优于单核SVM方法。     

基于支持向量机的计算机局域网故障检测技术研究

计算机技术的进步推动了网络技术发展,传统的计算机局域网故障检测技术过于依赖人力,检测耗时长,检测效果差,无法满足目前局域网故障检测需求,因此基于支持向量机设计了新的计算机局域网故障检测技术。首先选取了计算机局域网故障检测模型,其次基于支持向量机设计了计算机局域网故障检测算法,最后优化了径向基检测神经网络,从而实现了计算机局域网故障检测,进行实验,结果表明,设计的计算机局域网故障检测技术的检测耗时较短,具有省时性,有一定的应用价值。     

基于长短时记忆神经网络和支持向量数据描述的间歇过程监测方法

间歇过程操作是化工过程中的一种重要生产方式.与连续过程不同,间歇生产不是在一个稳定的工作状态运行,而是根据设定的原料比例、操作条件所对应的操作轨迹运行.因此间歇过程数据具有多阶段性、动态时变性和非线性等特性,传统的监测方法难以应用于对间歇过程生产运行状态的监测.为了解决这个问题,提出了一种新的间歇过程监测策略.首先基于...     

基于SVDD的冷水机组传感器故障检测及效率分析

传感器是制冷空调系统的重要组成部分,起着测量数据和监控状态的作用。传感器故障,尤其是输出偏差会引起测量值不准,影响控制策略,导致系统能耗增加。依据模式识别理论,故障检测可处理为一种单分类问题。据此采用一种单分类模式识别工具——支持向量数据描述(SVDD),针对冷水机组进行了偏差故障条件下的传感器故障检测工作。收集冷水机组实测正常运行数据,基于训练集建立SVDD模型,进行冷水机组传感器故障检测;在测试集中引入不同幅值水平的偏差故障,分析检测效率。结果表明:基于SVDD的冷水机组传感器故障检测效果明显,但对于不同传感器的不同幅值偏差故障,故障识别程度并不一致。     

基于支持向量机的甲醛检测系统

为了检测甲醛,理论和实践中已经出现了很多成熟的方法。但每种方法都存在一定的局限性。为了达到成本和检测效率的平衡,提出并实现了基于支持向量机的甲醛检测系统。通过数据训练,生成针对特定环境的支持向量机。当环境出现甲醛超过阈值时,针对该环境的支持向量机可以判断并报警。经过仿真和实验,该方法对环境有更好的适应性,在成本和效率方面达到了更好的平衡。     

基于主元分析法的冷水机组传感器故障检测效率分析

冷水机组是一个高度非线性的复杂系统,其自控系统传感器故障会导致冷水机组的运行偏离正常状态和能耗浪费。采用冷水机组正常运行数据,通过多元统计方法中的主元分析法建立训练矩阵,利用平方预测误差进行故障分析工作。引入不同程度故障,分析主元分析法的检测效率。结果表明,主元分析法故障检测效果明显,但对于不同传感器的不同程度故障,故障检测的误判率存在一定的差异。     

基于支持向量机的SCADA系统入侵检测

针对监测控制和数据采集(SCADA)系统中广泛使用的Modbus TCP/IP协议,提出了基于支持向量机(SVM)的入侵检测方法,使用该方法对系统实时数据进行监测和分类。仿真测试表明:该方法能有效地提升系统的安全性,同时确保不影响SCADA的实时性。     

基于支持向量机的管道腐蚀超声波内检测

超声波检测是输油管道在线内检测的重要方法之一,由于管道内部检测环境复杂,使超声检测回波信号识别困难,其分类是一个高维分类问题。利用支持向量机在解决小样本、非线性、高维模式识别中特有的优势,直接采用表征超声回波形态的A扫描数据作为特征向量,将特征提取与模式分类统一进行,建立了管道腐蚀超声检测回波信号分类决策函数,实现了管道腐蚀缺陷识别。实验结果表明,该方法可以正确地分类识别管道腐蚀产生的突变界面,基于支持向量机的管道腐蚀超声内检测信号分类识别方法是可行、有效的。     

基于MSPCA-KECA的冷水机组故障监测及诊断

针对冷水机组同类型不同等级故障的变量变化存在差异会造成误诊断的问题,提出一种基于多尺度主元分析-核熵成分分析(MSPCA-KECA)的故障诊断策略。MSPCA提取故障特征,其输出作为KECA分类器的输入,实现故障的实时监测与自动诊断。首先,改进的MSPCA算法通过将小波多尺度分析与主元分析相结合,筛选故障信息可能存在的尺度直接重构并采用PCA提取故障特征,获取不同类型故障之间差异的同时也保留了同类型但不同等级故障之间的相似性,提高故障诊断的可靠性。之后建立KECA非线性分类器并引入一种新的监测统计量——散度测度统计量,使降维后不同特征信息之间呈现显著的角度差异,易于分类。最后,采用支持向量数据描述(SVDD)算法确定新统计量的控制限,以克服无法获知统计量分布的问题。通过对冷水机组数据的仿真研究,验证了MSPCA-KECA方法的可行性及有效性。     

基于MSPCA-KECA的冷水机组故障监测及诊断

针对冷水机组同类型不同等级故障的变量变化存在差异会造成误诊断的问题,提出一种基于多尺度主元分析-核熵成分分析（MSPCA-KECA）的故障诊断策略。MSPCA提取故障特征,其输出作为KECA分类器的输入,实现故障的实时监测与自动诊断。首先,改进的MSPCA算法通过将小波多尺度分析与主元分析相结合,筛选故障信息可能存在的尺度直接重构并采用PCA提取故障特征,获取不同类型故障之间差异的同时也保留了同类型但不同等级故障之间的相似性,提高故障诊断的可靠性。之后建立KECA非线性分类器并引入一种新的监测统计量--散度测度统计量,使降维后不同特征信息之间呈现显著的角度差异,易于分类。最后,采用支持向量数据描述（SVDD）算法确定新统计量的控制限,以克服无法获知统计量分布的问题。通过对冷水机组数据的仿真研究,验证了MSPCA-KECA方法的可行性及有效性。     

基于分布式支持向量机的电网错误数据注入检测法

为提高对具有非线性分布特性的电力网络错误数据注入监测的准确性,提出基于分布式支持向量机的电力网络错误数据注入检测新方法。首先通过蒙特卡罗模拟生成测量计划,其测量计划模拟了多种类型的错误数据注入的粗差。然后,通过主成分分析对数据库降维和简化。最后,利用所提出的错误数据注入检测新方法检测错误数据注入,并通过创新指标和归一化残差指标评价错误数据注入检测效果。为验证所提出错误数据注入检测方法的有效性,将所提方法与已有错误数据注入检测方法对比。仿真和对比结果表明,所提方法能够更加准确地检测电力网络的错误数据注入,且具有较好的泛化能力和较好的非线性数据分类能力。     

基于支持向量机的光刻胶粘接芯片存储安全检测

光刻胶因其良好的性能被运用于芯片中,是芯片制作不可缺少的重要材料。对于保证光刻胶粘接芯片的存储安全,需要对其进行检测。文章将基于支持向量机检测光刻胶粘接芯片存储安全,为了提高检测的准确率,引入深度置信网络。通过仿真实验的方法,研究支持向量算法、深度置信网络算法、两者相结合的算法对光刻胶粘接芯片存储安全进行检测。研究结果表明支持向量算法的检测准确率低于深度置信网络算法低于两者相结合的算法,即两者相结合的算法检测光刻胶粘接芯片存储安全的准确率更高、误报率更低。     

基于负荷划分数据和支持向量机的火电厂燃烧过程建模

为建立燃烧过程稳态模型,首先利用稳态检测算法提取稳态样本;针对稳态数据中的不均衡性,提出了一种基于负荷划分数据的方法,即根据负荷工况将样本划分成训练子集与测试子集,以提高模型的泛化性能。利用单因素图形分析方法确定3个模型参数的搜索范围,将网格搜索与交叉验证相结合选择最优的模型参数,在此基础上建立了一个300 MW燃煤火电厂机组锅炉燃烧过程的支持向量机模型,包括锅炉效率、NO_x排放量、排烟温度和飞灰含碳量4个过程输出。结果表明,经过参数优化的4个输出模型均具有很好的泛化性能。