KPCA-MSVMs过程监控：CDC/MVT离群点去除方法

"CDC/MVT离群点去除的KPCA-MSVMs过程监控" 这篇文章是关于工业过程监控领域的一个研究，主要关注如何有效地处理离群点以提高监控系统的准确性和鲁棒性。作者提出了一种结合中心最短距离法（CDC）与椭球多变量整理法（MVT）的离群点去除策略，以及基于核主元分析（KPCA）和多支撑向量机（MSVMs）的过程监控方法。以下是对这一技术的详细解释： 1. **离群点去除**：在工业过程监控中，离群点常常会干扰模型的建立和性能，导致监控结果的不准确。CDC和MVT是两种离群点检测方法。CDC通过计算数据点与数据集中心的距离来识别离群点，而MVT则是通过构建数据的多维椭球边界来剔除离群点。结合这两种方法可以更有效地去除异常值，确保后续建模的数据质量。 2. **核主元分析（KPCA）**：PCA是一种常见的降维方法，通过主元转换将高维数据映射到低维空间，但PCA在处理非线性关系时可能会失效。KPCA是PCA的扩展，引入了核函数，能够处理非线性问题。在过程监控中，KPCA用于提取故障特征，即使在非线性环境下也能有效识别潜在的故障模式。 3. **多支撑向量机（MSVMs）**：SVM是一种监督学习模型，常用于分类和回归任务。MSVMs是SVM的多类扩展，可以对故障来源进行分类。在本研究中，MSVMs被用作故障分类器，通过对KPCA提取的特征进行分类，帮助识别故障的类型，避免了需要将核主元空间的表示反向映射回原始空间的问题，简化了计算复杂性。 4. **应用实例**：为了验证提出的监控方法的有效性，研究者将其应用于TE过程，这是一个常被用来测试过程监控方法的仿真化工过程。实验结果证明了该方法在离群点处理和故障检测方面的优越性，为工业过程监控提供了新的思路。 这项研究提出了一种综合的离群点去除和过程监控框架，利用CDC/MVT去除离群点，然后用KPCA进行非线性特征提取，最后借助MSVMs进行故障分类，提高了对非线性过程监控的准确性和效率。这种方法对于处理复杂工业环境中的实时监控问题具有重要价值。