r
其各行向量分别为各测量信号r
4r
ApXpS
r
r
5r
图1r
基于ICASUM的系统性能监控步骤r
有异常事件发生时其在特征子空间的投影系数矩监控指标进行异常事件的检测r
阵Ap与A
相比必然发生较大的变化义如下的定A‖ApA
‖2σmaxdiffIσmax
‖A
‖2A6r
2r
仿真实例r
TETe
esseeEastma
程图2所示过如是r
值在对实际过程进行监控时对正常工况下的数可进一步可超出阈值Icri则可认为有异常事件发生根据系数Ap来识别故障用独立分量分析计算出投影系数矩阵作为系统据多次取样确定指标I的阈值Icri一旦指标I的值r
式中diffApA
max表示矩阵的最大奇异Aσr
由JDow
s等提出的5这一过程以实际的工业流r
程为基础适用于充当测试各种控制算法的平台目程r
67r
前有不少基于PCA的监控方法应用于该过已器、循环压缩机、气液分离器、解吸塔该过程共有12该过程包括5个主要操作单元反应器、凝冷r
过程中共有15种主要已知扰动5r
个操纵变量个测量变量采样时间为3mi
该41在进行实时监控时于ICA分析需对一段时由r
所处工况的特征后利用支撑向量机对其进行分然r
构风险极小化的基础上有限的训练样本集对能够获得最优的推广能力好地解决了过学习和欠学较习问题被成功应用于人脸识别、音识别等领已语域r
2r
类支撑向量机作为一种小样本学习理论立在结建r
间片内的数据进行处理采用文献中的滑动窗口7技术即用适当大小的滑动窗逐步更新代表当前操作条件的数据矩阵着将其投影到正常工况特征接子空间并按式计算当前步的监控指标I若其超6则并将此时的投过阈值Icri判断有异常事件发生影系数矩阵Ap送到后续的支撑向量机故障识别系r
多类问题分解为多个两类问题然后用SVM进行训练即每次将其中一个类别的训练数据作为一个类别其他不属于该类别的训练数据作为另外一个类别对于含J个故障的故障集i1Fi可用J组支撑r
Jr
实际工业过程常常包括多种类型的故障一般是将r
经典的SVM是针对两类模式识别问题的但r
统去处理若未超过阈值则继续向前滑动窗口图3所示为第4种故障的实时监控结果中的虚线表图示95的控制限的监r