排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
针对间歇过程独特的数据特点,提出1种将因子分析(FA)作为独立成分分析(ICA)白化预处理手段的多向因子分析白化独立成分分析(multiway factor analysis-independent component analysis,MFA-ICA)间歇过程监控方法.因子分析充分考虑了模型误差的普遍意义,拥有优秀的噪声建模能力.将其代替上成分分析用于白化,可以更好的提取数据集的本质信息.首先将间歇过程三维数据依次按批次和变量展开得到二维数据矩阵,接着把上述方法用于展开后的数据,利用ICA的,I2统计图实现在线故障检测.该方法用于标准仿真平台Pensim,结果表明上述方法对于提高间歇过程故障检测的快速性,降低漏报率有明显效果. 相似文献
2.
基于支持向量数据描述(SVDD)方法的非高斯过程监控和故障诊断具有众多优点。然而在对SVDD离线建模时需要在整个训练样本集上操作,对大样本集计算量相当大,也不利于在线操作时模型的更新。对此提出一种基于特征样本的SVDD(FS-SVDD),采用特征样本提取方法用少数几个特征样本代替原始数据集进行训练,显著降低了建模复杂度。同时,针对传统的线性降维算法如主成分分析(PCA)存在的提取过程数据非线性结构能力不足的缺点,首先用局部切空间排列(LTSA)方法提取出低维子流形,进行有效的维数约减;接着在这个低维子流形上执行SVDD算法;最后,利用相应统计指标进行过程监控。在TE过程上的仿真表明上述方法的有效性。 相似文献
3.
独立成分分析(ICA)方法在线性非高斯过程的监控领域得到了成功应用,当过程数据非线性较强时效果不理想。局部切空间排列(LTSA)方法能够从在高维空间中呈现高度扭曲的数据集中发现隐含在其中的非线性结构。本文结合ICA和LTSA二者的优点,提出LTSA-ICA过程监控方法,首先用LTSA从高维数据空间中提取出低维子流形,然后在这个低维子流形上执行线性ICA算法,在保留ICA对非高斯过程处理优势的同时,较好地解决了非线性的问题。在田纳西-伊斯曼(TE)过程上的仿真表明上述方法的有效性。 相似文献
1