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KSFDA-SVDD的非线性过程故障检测方法

慢特征分析(SFA)是一种无监督的线性学习算法,没有考虑过程数据的类别信息和非线性特征。针对此问题,提出一种基于核慢特征判别分析(KSFDA)和支持向量数据描述(SVDD)的非线性过程故障检测方法KSFDA-SVDD。该方法首先利用核技巧将数据从原始空间映射到高维空间,然后通过最大化正常工况数据和故障模式数据之间伪时间序列的时间变化同时最小化正常工况数据内部伪时间序列的时间变化计算判别矩阵,最后利用SVDD描述采用判别矩阵降维后的正常工况数据的分布域,构建监控统计量检测过程故障。在连续搅拌反应器(CSTR)过程上的仿真结果表明所提出方法的故障检测性能优于传统的KPCA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。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

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。     

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。     

A support vector clustering‐based probabilistic method for unsupervised fault detection and classification of complex chemical processes using unlabeled data

A new support vector clustering (SVC)‐based probabilistic approach is developed for unsupervised chemical process monitoring and fault classification in this article. The spherical centers and radii of different clusters corresponding to normal and various kinds of faulty operations are estimated in the kernel feature space. Then the geometric distance of the monitored samples to different cluster centers and boundary support vectors are computed so that the distance–ratio–based probabilistic‐like index can be further defined. Thus, the most probable clusters can be assigned to the monitored samples for fault detection and classification. The proposed SVC monitoring approach is applied to two test scenarios in the Tennessee Eastman Chemical process and its results are compared to those of the conventional K‐nearest neighbor Fisher discriminant analysis (KNN‐FDA) and K‐nearest neighbor support vector machine (KNN‐SVM) methods. The result comparison demonstrates the superiority of the SVC‐based probabilistic approach over the traditional KNN‐FDA and KNN‐SVM methods in terms of fault detection and classification accuracies. © 2012 American Institute of Chemical Engineers AIChE J, 59: 407–419, 2013     

A nonlinear support vector machine-based feature selection approach for fault detection and diagnosis: Application to the Tennessee Eastman process

In this article, we present (1) a feature selection algorithm based on nonlinear support vector machine (SVM) for fault detection and diagnosis in continuous processes and (2) results for the Tennessee Eastman benchmark process. The presented feature selection algorithm is derived from the sensitivity analysis of the dual C-SVM objective function. This enables simultaneous modeling and feature selection paving the way for simultaneous fault detection and diagnosis, where feature ranking guides fault diagnosis. We train fault-specific two-class SVM models to detect faulty operations, while using the feature selection algorithm to improve the accuracy and perform the fault diagnosis. Our results show that the developed SVM models outperform the available ones in the literature both in terms of detection accuracy and latency. Moreover, it is shown that the loss of information is minimized with the use of feature selection techniques compared to feature extraction techniques such as principal component analysis (PCA). This further facilitates a more accurate interpretation of the results. © 2018 American Institute of Chemical Engineers AIChE J, 65: 992–1005, 2019     

基于深度学习的化工过程故障检测与诊断研究综述

化工过程的故障检测与诊断对于现代化工系统的可靠性和安全性具有重要意义.深度学习作为一项新兴的技术,引起了学术界和工业界的广泛关注.从方法的角度出发,将基于深度学习的化工过程故障检测与诊断技术分为:基于自动编码器的方法、基于深度置信网络的方法、基于卷积神经网络的方法和基于循环神经网络的方法,并分别对4种方法的最新研究进展...