基于KECA的非线性工业过程故障检测与诊断新方法

提出了一种基于核熵成分分析(kernel entropy component analysis,KECA)的非线性过程故障检测与诊断新方法。该方法首先利用KECA获取过程数据的得分向量及非线性特征子空间;然后鉴于KECA可以以角结构的方式揭示数据中潜在的集群结构,设计了基于角度的监测指标VoA。该指标通过各得分向量之间的角度方差来描述变换后数据间的结构差异,并根据角度方差的变化情况实现故障检测;接着,为了在检测到故障后有效地进行故障识别,构建了KECA相似度因子来度量特征子空间的相似程度以识别故障模式;最后,以非线性数值案例及Tennessee Eastman过程进行仿真测试研究,结果验证了所提方法的可行性及有效性。