基于时序扩展的邻域保持嵌入算法及其在故障检测中的应用

针对动态自相关数据的特征提取和降维问题,提出了一种基于时序扩展的邻域保持嵌入(TNPE)的故障检测方法。针对邻域保持嵌入算法的不足,构建了新的优化目标,在构建局部空间结构特征的基础上,同时提取了数据随时间变化的动态特征。使得投影得到的低维空间不仅和原始变量空间具有相似的空间局部近邻结构,而且具有相似的时序动态结构,因而包含了更多的特征信息。在此基础上,利用TNPE算法将原始过程数据划分为特征空间和残差空间,并分别建立T2和SPE统计量实现工业过程监测。通过对Tennessee Eastman(TE)过程的仿真研究,验证了TNPE算法有效性可行性,并显示出了优越的故障检测能力。     

基于t分布随机邻域嵌入算法的工业过程故障分类

针对在工业过程中数据普遍存在的非线性特性,基于数据的局部相关关系对分类的影响,提出一种基于t分布随机邻域嵌入(t-SNE)的数据特征提取和故障分类方法。利用t-SNE算法非线性、非参数降维的优势,与费舍判别分析(FDA)、支持向量机(SVM)分类器相结合建立故障分类模型。利用t-SNE算法对故障数据进行非线性特征提取,获取数据的关键区分特征。用FDA和SVM算法实现故障分类和识别。通过田纳西-伊士曼(TE)过程获得的实验数据进行实验仿真分析,并分别与基于核主元分析法(KPCA)、拉普拉斯特征映射(LE)构建的KPCA-FDA、LE-FDA、KPCA-SVM、LE-SVM 4种故障分类模型进行比较。定量评估结果表明:即使基于不同分类器,相较于其他2种方法,该文方法的分类准确率分别提升了2%和7%,且其平均分类准确率能保持在97%以上。