基于马氏距离的改进核Fisher化工故障诊断研究.docx
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
"基于马氏距离的改进核Fisher化工故障诊断研究" 本文研究了基于马氏距离的改进核Fisher化工故障诊断方法,可以有效地解决化工过程中故障诊断的问题。同时,该方法也可以应用于其他领域的故障诊断中。 在化工过程中,监测系统产生了大量的实测数据,对这些数据的有效利用来实现实时监控和故障诊断,为确保生产设备安全、降低维护成本、提高利润率提供了可靠的保证。因此,高效的故障诊断技术正在工业生产的发展中扮演着愈来愈重要的角色。 常见的特征提取方法有:主元分析法(Principal component analysis, PCA)、偏最小二乘法(Partial least squares, PLS)、核熵分析法(Kernel entropy component analysis, KECA)、独立主元法(Independent component analysis, ICA)等。然而,在面向化工的实际应用中,单纯的多元统计分析并没有取得良好的分类效果。这是由于化工数据具有很强的非线性,数据类别复杂、数据量大而且故障特征不易区分的特点。 基于以上问题,Mika 等[8]将核函数引入 Fisher 判别分析算法,得到了一种新的核 Fisher 判别法。该方法在面对复杂的化工过程状态数据时,能有效地解决因非线性造成的分类困难问题,因此得到了广泛的应用。 本文提出了一种基于马氏距离的改进核 Fisher 故障诊断方法(MKFD),该方法采用了区间三分迭代法选取核参数,利用组平均距离取代质心距离降低运算复杂度,并通过加权改进类内的距离,有效改善了投影效果。 最后,在田纳西伊—斯特曼过程平台上对该方法进行仿真试验验证,并与传统的核 Fisher 诊断方法(Kernel fisher discrimination, KFD)、基于质心距离对类间距进行加权处理的核 Fisher 判别分析(Centroid kernel fisher discriminate, CKFD)和基于 Fisher 判别分析的全局—局部保持投影算法(Fisher discriminant global-local preserving projection, FDGLPP)进行了对比。结果表明,本文提出的方法不仅提高了运算速度,同时也有效提高了故障诊断的精度,具有很高的工程应用价值。 在模式识别中,Fisher 判别分析是一种非常重要的基于数据降维和分类的方法,是一种有监督的学习算法。传统的 KFD 算法在故障诊断领域具有广泛的应用,但是当面对高维非线性数据时,其故障诊断的性能大大降低。核函数的引入能够有效地解决这个问题,使其故障诊断的性能大大提升。
剩余21页未读,继续阅读
- 粉丝: 3907
- 资源: 1万+
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助