改进的KPCA与SVDD结合的溶剂脱水过程故障诊断:基于小波与特征空间降维

需积分: 9 0 下载量 166 浏览量 更新于2024-08-12 收藏 351KB PDF 举报
本文主要探讨了"基于特征空间降维的溶剂脱水分离过程监控"这一主题,发表于2010年的《浙江大学学报(工学版)》第44卷第7期。研究者杜文莉、王坤和钱锋针对化工过程中常见的非线性和非高斯性检测变量特性,提出了结合改进的核主元分析(KPCA)与支持向量数据描述(SVDD)的故障诊断方法。 首先,他们强调了传统化工过程中的监测变量往往具有这些非线性和非高斯特性,这对传统的故障诊断模型构成了挑战。为解决这个问题,他们引入了Mexican hat小波,这是一种在提取非线性、非平稳信号细微特征方面表现出色的工具。通过将小波函数融入KPCA,作者增强了核函数的非线性映射能力和抗噪性能,使得在处理复杂信号时更加有效。 接着,作者在映射后的特征空间中采用了均值聚类分析,这是一种数据压缩策略,通过选取每个聚类中的特征中心点,大大降低了计算复杂度,从而提高了监控过程的实时性。这种聚类降维技术使得监测系统能够更快地响应变化,对故障的检测更为迅速。 最后,他们利用SVDD来描述经过聚类降维后的特征空间分布,提出了一种新的监控指标,以捕捉过程的非高斯特性。这种方法不仅考虑了过程的非线性特性,还能够准确反映系统的异常行为,确保了故障诊断的准确性。 实证研究部分,研究人员将该方法应用到一个实际的溶剂脱水化工精炼过程中,通过仿真实验验证了该方法的有效性和实用性。结果显示,他们的方法能够及时、有效地检测出系统中的故障,对于化工过程的稳定运行具有重要意义。 这篇文章提供了化工过程故障诊断的一种创新方法,结合了特征空间降维、小波分析、聚类和SVDD,为提高化工过程的监控效率和准确性提供了一种有力的工具。这对于化工行业的在线监控和故障预警具有重要的理论价值和实践指导意义。