基于KPCA-PNN的复杂工业过程集成故障辨识方法

• 作者: 张广明 王执铨 薄翠梅
• 来源期刊: 信息与控制
• 关键词: 故障辨识 关联故障 特征提取 核主元分析(KPCA) 概率神经网络(PNN)
• 年，卷（期）: 2009,（1）
• 所属期刊栏目: 实际问题研讨
• 页码范围: 98-104,109
• 页数: 8页
• 分类号: TP274
• 语种: 中文
• DOI: 10.3969/j.issn.1002-0411.2009.01.017

摘要

针对核主元分析方法在复杂工业在线监控过程中易出现的核矩阵K难以计算和初始故障源难以辨识的问题,提出一种基于核主元分析和概率神经网络的集成故障辨识方法.首先通过特征样本提取方法预处理工业数据集,然后采用核函数主元分析的Hotelling统计量T2和SPE方法检测故障,采用核函数梯度算法定义了两个新的统计量Gr2和CSPE,计算了每个监控变量对统计量r2和SPE的贡献程度,并提取了故障特征.最后,利用概率神经网络技术进一步从关联故障特征中辨识出初始故障源.将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程;多种故障模式下的仿真结果显示,该方法能够有效地检测并辨识出多种故障类型.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王执铨	南京理工大学自动化学院	331	3939	30.0	46.0
2	张广明	南京工业大学自动化学院	192	1540	18.0	27.0
3	薄翠梅	南京理工大学自动化学院	86	611	15.0	19.0