基于全局和局部信息融合的SVM多模态过程故障检测

郭金玉, 李 涛, 李 元

(沈阳化工大学 信息工程学院, 辽宁 沈阳 110142)

大数据时代,工业自动化技术正在快速的发展,工业系统的规模和控制系统的复杂程度都在不断提高,越来越体现其非高斯、多工况的特点,同时也会造成故障发生概率不断增大,因此对控制系统精度和安全可靠性也提出了更高的要求。

主元分析(principal component analysis, PCA)作为工业过程中对故障进行诊断和检测的最基础手段,一直发挥着重要的作用,被广泛应用在多种场景,同时也衍生出多种新的故障检测方法[1-3]。PCA在实现降维的同时,能够保留数据的全局信息,很好地反映数据变化。由于PCA处理的数据需要满足高斯分布和线性分布的前提假设,并且在降维的同时会导致局部信息丢失,因此具有一定的局限性。为了提高PCA在多模态过程中的故障检测性能,郭金玉等[4]提出改进局部熵主元分析的故障检测方法,通过构造改进局部熵数据剔除多模态特性,并建立主元分析故障检测模型,实现对故障数据的有效检测。此外,为了改善全局算法在故障检测中的不足,Hu等[5]将局部保持投影算法(locality preserving projections, LPP)应用于工业过程故障监测。LPP算法[6-7]是一种用于提取数据特征的降维方法,它能够很好地保留数据的局部信息,主要考虑的是保持数据中近邻点之间的结构,其本质是对拉普拉斯特征映射的线性逼近。为了提高LPP算法的故障检测性能,Guo等[8]提出差分局部保持投影(difference locality preserving projections, DIF-LPP)算法,利用差分方法剔除数据非线性和多模态结构,然后运用LPP进行故障检测。……