基于特征向量提取的核主元分析法.pdf

第3 6 卷第7 期计算机科学 V 0 1 3 6N o 7 2 Q Q 生 旦垦Q 翌巳坚 呈 竺i 呈翌 曼 坚 z Q Q 基于特征向量提取的核主元分析法 吴洪艳h 2 黄道平1 华南理工大学自动化科学与工程学院 广州5 1 0 6 4 0 1 湛江师范学院信息科学与技术学院 湛江5 2 4 0 4 8 2 摘要核主成分分析 K P C A 是非线性化工过程故障检测与诊断时常用的多变量统计控制方法之一 从两个方面 改进了K P C A 的故障检测性能 为了提高K P C A 方法故障检测的准确率 提出了基于小波的K P C A 故障检测方法 当样本数大时 采用基于几何考虑的特征向量提取 F V S 算法 降低了K P C A 计算的复杂性 缩短了计算时间 T e n n e s s e eE a s t m a np r o c e s s 仿真给出了所提出的方法的有效性 关键词故障诊断 核主成分分析 特征向量提取 小渡变换 中图法分类号T P 2 7 7文献标识码A K e r n e lP r i n c i p a lC o m p o n e n tA n a l y s i sB a s e dO i lF e a t u r eV e c t o rS e l e c t i o n W UH o n g y a n l 2H U A N G D a o p i n 9 1 C o l l e g eo fA u t o m a t i o nS c i e n c ea n dT e c h n o l o g y S o u t hC h i n aU n i v e r s i t yo fT e c h n o l o g y G u a n g z h o u5 1 0 6 4 0 C h i n a 1 C o l i e g eo fI n f o r m a t i o nS c i e n c ea n dT e c h n o l o g y Z h a n J i a n gN o r m a lU n i v e r s i t y Z h a n j i a n g5 2 4 0 4 8 C h i n a 2 A b s t r a c tK e r n e lp r i n c i p a lc o m p o n e n ta n a l y s i s K P C A i so n eo fm u l t i v a r i a t es t a t i s t i c a lc o n t r o lm e t h o d sf o rs o l v i n g n o n l i n e a rc h e m i c a lp r o c e s sf a u hd i a g n o s i s I nt h i sp a p e r i ti m p r o v e sK P C Af r o mt w oa s p e c t s F i r s t i no r d e rt Oi m p r o v e t h ea c c u r a c yo fK P C Af o rf a u hd e t e c t i o n an e wm e t h o dc o m b i n e dw i t hw a v e l e tw a sd e v e l o p I e d S e c o n d f e a t u r ev e c t o r s e l e c t i o n F V S s c h e m ew a sa d o p t e dt Or e d u c et h ec o m p u t a t i o n a lc o m p l e x i t yo fK P C Aw h e r e a sp r e S e n r et h eg e o m e t r i c a l s t r u c t u r eo ft h ed a t a T e n n e s s e eE a s t m a np r o c e s s T E P s i m u l a t i o n sw e r ec a r r i e do u tt Os h o wt h eg i v e na p p r o a c h Se f f e c t i v e n e s si np r o c e s sm o n i t o r i n gp e d o r r n a n c e K e y w o r d sF a u l td i a g n o s i s K e r n e lp r i n c i p a lc o m p o n e n ta n a l y s i s F e a t u r ee x t r a c t i o n W a v e l e tt r a n s f o r m 随着D C S 智能仪表以及现场总线技术的广泛应用 化 工过程中大量的过程数据被采集并存储下来 通过分析过程 数据来判断系统的运行状态的统计过程监控方法受到广泛的 关注 在解决过程变量非线性的问题时 S c h o l k o p f 等 1 提出 一种新方法 即核主成分分析方法 K P C A 它的基本思想 是首先将低维输入空间中各变量之间的非线性关系通过非线 性映射西 z 映射到高维特征空间中 然后在高维特征空间中 进行主成分分析 其中非线性映射壬 z 的具体形式并不需 要求取 只需得到特征空间中的内积 而内积可以由一维的非 线性函数表示 K P A 方法本质上是在高维特征空问实现线 性P C A 因此很容易被理解和应用于过程监控 一些学者的 研究已经显示了K P C A 方法在故障检测方面的作用 2 在实际的过程监控中 K P C A 方法还有不足之处 一方 面 工业过程数据经常参杂噪声和干扰 例如白噪声和电磁干 扰 借助这样的数据直接用K P C A 对过程监控时 将影响过 程信息处理分析的结果 降低结果的置信度 引 另一方面 K P C A 方法需要计算核矩阵 它的大小是采样数的平方 当采 样数大时 计算量大 耗时 本文从以下两个方面改进K P C A 的故障检测性能 1 提出一种基于小波变换的K P C A 故障检测方法 W a v e l e t K P c A 测量数据通过小波变换获得小波系数 然后进行小 波反变换获得重构的测量数据 以达到去噪声和干扰的目的 2 采用特征向量提取 F V S 算法 B a u d a t 湛江师范学院信息 科学与技术学院 湛江 524048 黄道平 HUANG Dao ping 华南理工大学自动化科学与工程 学院 广州 510640 刊名 计算机科学 英文刊名 COMPUTER SCIENCE 年 卷 期 2009 36 7 参考文献 8条 参考文献 8条 1 Sch o lkopfF B Smola A J Mjuller K Nonlinear component analysis as a kernel eigenvalue problem 1998 05 2 Cui Peiling Li Junhong Wang Guizeng Improved kernel principal component analysis for fault detection 外文期刊 2008 02 3 Downs J H Viogel E F plant wide industrial process control problem 1993 03 4 Baudat G Anouar F Kernel based metheds and function approximstion 2001 5 Donoho D L Denosing by soft thresholding 1995 03 6 Kosanovich K A Plovoso M J PCA of wavelet transformed process data for monitoring 1997 01 7 Choi S W Lee