基于故障检测的KPCA中核主元的选取方法

郭金玉 张安宝 李 元

(沈阳化工大学信息工程学院 辽宁 沈阳 110142)

0 引 言

近年来，为了提高系统的安全性，监控系统的性能或赋予系统自诊断功能问题[1-5]越来越受到关注。过程监控作为现代过程工业的重要组成部分，已经发展了二十多年，并且已经提出多种方法用于故障检测和故障诊断。 过程工业作为国家经济的支柱发挥着重大作用，如化工、电力和冶金等。如果这些工业过程出现了故障，可能会导致巨大的经济损失甚至伤害。 因此，除了必须实施良好的工业过程控制策略外，研究过程监控和故障诊断方法也很重要。而且随着技术的快速发展，信息正在成为一种重要且不可或缺的资源。

由于高维数据提供了丰富的可解释性，因此使用高维数据来表示信息非常受欢迎。然而，高维数据通常包含许多噪声和冗余特征，这可能增加计算成本和存储成本，导致过度拟合的问题。此外，噪声和冗余功能会降低特征选择模型的性能。因此，找到所有特征的子集以进行进一步的学习任务受到越来越多的关注。在大量文献中，子空间学习通过降低数据的维数来处理高维数据的问题，简化数据中的原始特征。具体而言，子空间学习在一定条件下将原始数据投影到低维空间。经典子空间学习方法包括使特征空间与众不同的主元分析 (Principal component analysis, PCA)。

PCA[6]是数据驱动故障检测方法最常用的多变量统计分析技术之一。使用PCA进行故障检测选取前lx个特征值能反映大部分的数据特征。……