传统的KPCA(Kernel Principal Component Analysis)过程监测方法一般根据经验选取需要的核函数及一定宽度的参数,这样做是非常盲目的。同时单一KPCA模型不能对所有故障都有好的监测效果。为了解决此问题,提出基于集成KPCA的非线性工业...传统的KPCA(Kernel Principal Component Analysis)过程监测方法一般根据经验选取需要的核函数及一定宽度的参数,这样做是非常盲目的。同时单一KPCA模型不能对所有故障都有好的监测效果。为了解决此问题,提出基于集成KPCA的非线性工业过程状态监测方法。通过选取一系列的核函数及其参数构建不同的KPCA模型得到子模型,用贝叶斯方法将众多子模型的监测统计量转化为故障概率,分两步进行融合,得到最终监测结果。实验结果表明,该方法显著地提高了监测性能,同时减小核函数及参数选取对故障监测的影响。展开更多
文摘传统的KPCA(Kernel Principal Component Analysis)过程监测方法一般根据经验选取需要的核函数及一定宽度的参数,这样做是非常盲目的。同时单一KPCA模型不能对所有故障都有好的监测效果。为了解决此问题,提出基于集成KPCA的非线性工业过程状态监测方法。通过选取一系列的核函数及其参数构建不同的KPCA模型得到子模型,用贝叶斯方法将众多子模型的监测统计量转化为故障概率,分两步进行融合,得到最终监测结果。实验结果表明,该方法显著地提高了监测性能,同时减小核函数及参数选取对故障监测的影响。