基于KECA的化工过程故障监测新方法

针对化工过程数据复杂、非线性的特点,提出一种基于核熵成分分析(KECA)的化工过程故障监测算法。首先,KECA算法按照Renyi熵值的大小选取特征值及特征向量,相比传统的KPCA监测算法,其保留主元个数更少,可以有效减少运算量。同时,仿真研究表明KECA算法选取的主元具有角度结构特性,据此,提出一种新的统计量——CS(Cauchy-Schwarz)统计量,其对应到核特征空间中即为向量间的角度余弦值,可以较好表述不同概率密度分布之间的相似度。最后,将KECA和KPCA算法分别应用于TE(Tennessee Eastman)过程,结果表明KECA在故障检测延迟与检出率相比KPCA都有很大的优势。

基于KECA-IGKDE的离心式冷水机组故障检测

针对制冷系统中变量之间存在高度非线性、过程数据具有非高斯的特点,提出了一种基于核熵成分分析(KECA)和改进灰狼算法优化的核密度估计(IGWO-KDE,IGKDE)故障检测方法。该方法首先采用KECA提取正常工况下历史数据的主元矩阵并求解正常数据的均值向量。将监测的过程数据经过KECA投影后与正常工况形成明显的角度结构,故提出Cauchy-Schwarz(CS)监测统计量。然后使用KDE确定统计监测控制限。为了克服经验选取KDE平滑因子的难度,采用IGWO进行快速精确地全局寻优。最后将所提出的算法应用于离心式冷水机组仿真,结果表明该方法具有更好的检测性能。