控结果过程为先在正常工况经超出控制限该过程的15种已知扰动中共有12种可以被检测出的故障故障3和15不能被检测9r
向量机来实现故障的识别整个基于ICASVM的系统性能监控步骤如图1所示图1中在进行独立分量分析之前需先对采集到的数据进行消噪和校正其目的是剔除一些明显的测量误差粗噪误即平衡、量平衡确保每一传感器的测量数据都是质有效的通过这一步骤能够检测出一些量值大且较明显的故障时也能增强后续步骤的故障检测能同r
下运行8h此后引入扰动可见8h时在指标I已出来每种故障取6个样本则一共可以得到72个投影系数矩阵用这72个训练样本分别去训练12个支撑向量机一支撑向量机对应于某一特定故每r
差同时使测量数据满足一些基本关系式能量如r
力当SVM识别出故障源之后监督控制层产生由相应的动作设定值的改变以使过程恢复到正如r
系数矩阵Ap按行展开成一维横向量作为支撑向量机的输入表1列出了故障诊断结果可见撑向支量机具有较强的识别能力r
障验证集取48个样本每种故障取4个样本将SVM的核函数选为径向基函数将每一故障的投影r
第4期r
郭r
明一种基于ICASVM的故障诊断方法等r
449r
图2r
处理模拟过程r
型是一种基于历史数据的监控方法r
前提是必需收集正常操作条件及各种故障状态下的r
b采用基于历史数据的方法进行故障诊断其r
历史数据鉴于实际过程的故障数据都是有限的在用独立分量分析进行特征提取的基础上用支撑采r
图3第4种故障的实时监控结果表1r
故障类型124567识别率444845484448464848484848r
向量机进行模式的分类r
故障诊断结果r
故障类型10111213148识别率484847484848474846484848r
法与传统的识别方法相比可以获得更强的学习能力cTE过程的计算结果表明整个监控方法是有r
c对于小样本问题使用支撑向量机的识别方r
效的r
参考文献r
1orsaTKoivoHNApplicatio
ofartificial
eural
etworksr
注别率即正确识别数与总识别数之比识r
3r
结r
论r
2边肇祺学工模式识别M北京清华大学出版社张3Hyvi
e
AFasta
drobustfixedpoi
talgorithmsfori
der