文献类型：期刊文献

中文题名：基于小波核聚类的非高斯过程故障检测方法

英文题名：Non-Gaussian process fault detection based on wavelet kernel clustering

作者：王坤[1];杜文莉[1];钱锋[1]

机构：[1]华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海200237

年份：2011

卷号：62

期号：2

起止页码：427

中文期刊名：化工学报

外文期刊名：CIESC Journal

收录：CSTPCD;;EI(收录号：20111313882285);Scopus;北大核心:【北大核心2008】；CSCD:【CSCD2011_2012】；

基金：国家自然科学基金项目(60625302;20876044);国家重点基础研究发展计划项目(2009CB320603);上海市重点学科建设项目(B504);上海市科技启明星项目(08QA14021)~~

语种：中文

中文关键词：均值聚类;小波核;故障检测

外文关键词：means cluster; wavelet kernel; fault detection

摘要：针对工业过程检测变量具有的非线性和非高斯性等特点,提出了一种基于小波核聚类的核主元分析(WKPCA)方法来处理过程数据的非线性特性,同时引用支持向量数据描述(SVDD)对过程进行建模。本算法先根据Morlet小波具有多分辨分析和能以更高的精度逼近任意函数的特点,将其构建为小波核函数,可以增强KPCA的非线性核映射和抗噪能力,然后在映射后的特征空间中进行均值聚类分析,选择每个聚类中展现特征中心的数据,大大减少了核函数的计算量;最后通过SVDD提出监控指标来描述过程的非高斯特性。将上述方法用在一个标准仿真平台Tennessee-Eastman上,结果表明,该方法能及时有效地检测出系统产生的故障和异常情况。
Detective variables of industrial processes show nonlinear and non-Gaussian behavior.This paper proposes the kernel principal component analysis（WKPCA）based on wavelet kernel clustering to handle the nonlinearity of the process,and introduces support vector data description（SVDD）to model the process.The first step is to construct the kernel function by using Morlet wavelet because of its advantages of multi-resolution analysis and good fitness,which could enhance nonlinear mapping and anti-noise capability of the kernel function.Then this method uses cluster analysis in the feature space,and chooses the data which represent the characteristic center in every cluster,which could decrease calculation load of the kernel function.Finally the method uses the monitor statistics offered by SVDD to describe the non-Gaussian information.Application to the Tennessee-Eastman benchmark process showed effectiveness and accuracy of detecting fault and exception generated by the system.