针对复杂工业过程数据的动态性、非线性和多阶段性等特征,提出基于时空近邻标准化和KNN规则(Time-Space Nearest Neighborhood Standardization and K Nearest Neighbor Rule,TSNS-KNN)的复杂多阶段过程故障检测方法。首先使用训练样本...针对复杂工业过程数据的动态性、非线性和多阶段性等特征,提出基于时空近邻标准化和KNN规则(Time-Space Nearest Neighborhood Standardization and K Nearest Neighbor Rule,TSNS-KNN)的复杂多阶段过程故障检测方法。首先使用训练样本在时间和空间域上的两层嵌套近邻集的统计信息对样本预处理,然后将标准样本的累积近邻距离作为检测统计量进行故障检测。TSNS-KNN在排除非线性干扰的同时,消除了前后时刻样本间的动态相关性,将多阶段数据转换为单阶段数据,从而实现对复杂多阶段过程的检测。将该方法运用于数值实验和青霉素发酵过程,并与其他方法进行比较,对比结果进一步验证了TSNS-KNN方法的优越性。展开更多
文摘针对复杂工业过程数据的动态性、非线性和多阶段性等特征,提出基于时空近邻标准化和KNN规则(Time-Space Nearest Neighborhood Standardization and K Nearest Neighbor Rule,TSNS-KNN)的复杂多阶段过程故障检测方法。首先使用训练样本在时间和空间域上的两层嵌套近邻集的统计信息对样本预处理,然后将标准样本的累积近邻距离作为检测统计量进行故障检测。TSNS-KNN在排除非线性干扰的同时,消除了前后时刻样本间的动态相关性,将多阶段数据转换为单阶段数据,从而实现对复杂多阶段过程的检测。将该方法运用于数值实验和青霉素发酵过程,并与其他方法进行比较,对比结果进一步验证了TSNS-KNN方法的优越性。