基于KECA和FWA-SVM的间歇过程分时段故障诊断方法

• 作者: 包珊珊 张敏 蔡振宇
• 来源期刊: 计算机应用研究
• 关键词: 间歇过程 核熵成分分析 烟花算法 支持向量机 K-means 青霉素仿真
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 1409-1414
• 页数: 6页
• 分类号: TP277
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2017.12.0803

摘要

针对间歇过程的高度复杂性、强非线性、强时段性等特点,提出一种基于核熵成分分析(KECA)特征变量降维,利用烟花算法(FWA)优化支持向量机(SVM)参数的间歇过程分时段故障诊断方法.首先,通过多向核主元分析(MKPCA)进行在线故障监测,输出故障数据;其次,利用K-means分类方法将间歇过程划分为若干个子时段,对故障数据进行KECA特征变量处理,按熵值贡献率来确定选取主元的个数,深层提取特征信息;最后,在各子时段内分别构建FWA优化SVM参数故障诊断模型,将降维处理后的故障数据代入各自所属子时段FWA-SVM诊断模型内进行故障诊断.通过对青霉素仿真实验数据进行各种对比实验研究,验证了该方法的可行性与有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张敏	西南交通大学机械工程学院	63	389	10.0	17.0
2	蔡振宇	西南交通大学机械工程学院	5	6	1.0	2.0
3	包珊珊	西南交通大学机械工程学院	4	6	1.0	2.0