LNS-DEWKECA算法在多模态工业故障检测中的应用

"基于LNS-DEWKECA算法的多模态工业过程故障检测" 在当前的工业生产环境中，由于市场需求的多样性，工业过程经常需要在不同工作模式间切换，导致产生的数据呈现出复杂的多模态分布特性。多模态故障检测技术的研究对于确保这些过程的安全、稳定运行至关重要。本文提出了一种新颖的故障检测方法，名为基于局部近邻标准化（LNS）和方向熵加权核熵成分分析（DEWKECA）的算法，旨在有效地处理这种多模态数据并识别异常情况。 首先，LNS被用作预处理步骤，用于标准化多模态数据。相比于传统的全局标准化，LNS的优势在于它可以更好地处理多模态数据的特性，避免了因全局标准而忽视了数据内部结构的差异。LNS能够根据每个数据点的局部环境进行标准化，使得不同模态的数据点能够在同一尺度上比较，有利于后续分析。 接着，为了捕捉数据的变化趋势并提取故障特征，文章引入了方向熵的概念。方向熵是衡量样本变化方向无序程度的一个指标，它基于样本的变化趋势来区别正常样本与故障样本。通过这种方式，DEWKECA（方向熵加权核熵成分分析）得以实现数据的降维，从而能够更高效地提取反映数据变化方向的关键特征。 此外，鉴于多模态数据往往不遵循高斯分布，论文采用了局部离群因子（LOF）算法构建监控统计量。LOF是一种有效的异常检测方法，它基于数据点的局部密度来识别异常。通过核密度估计确定控制限，可以准确地识别出与正常行为偏离的故障样本。 为了验证所提算法的有效性，作者进行了数值案例分析和TE过程的仿真。这些实验结果证明了LNS-DEWKECA算法在多模态工业过程故障检测中的优越性能，能够有效地识别不同工作模态下的故障，对保障工业生产安全具有重要的实际意义。 参考文献中还列举了其他相关研究，如使用参数优化VMD多尺度熵进行轴承故障诊断、基于多模态特征深度融合的微博流事件检测与跟踪、基于偏最小二乘的质量相关多模态故障检测技术和基于多块相对变换独立主元分析的故障诊断方法，这些研究同样展示了多模态数据分析在故障检测领域的广泛应用和深入探索。