基于高斯分量标准化的K近邻故障检测策略

针对复杂多工况工业过程故障检测问题，提出一种基于高斯分量标准化的K近邻(Gaussian Component Standardization K-Nearest Neighbor, GCS-KNN)故障检测策略。样本数据应用高斯混合模型(Gaussian Mixture Model, GMM)进行训练，将数据分解为多个高斯分量；通过每个高斯分量的均值和协方差对该分量内的数据进行标准化处理；应用K近邻(K-Nearest Neighbor, KNN)算法对标准化后的样本进行检测。GCS-KNN通过高斯分量标准化消除数据的多模态特性，提高传统基于KNN检测方法的检测率。利用数值例子和半导体工业过程仿真实验验证了该方法的有效性，并与传统的主元分析(Principal Component Analysis, PCA)、KNN、动态主元分析(Dynamic PCA,DPCA)和加权KNN(Weighted KNN,WKNN)等方法进行对比，结果证实此方法具有显著的优势。