改进的核费舍判别分析法应用于故障诊断

计算机应用

改进的核费舍判别分析法应用于故障诊断

吴洪艳黄道平

华南理工大学自动化学院；湛江师范学院信息科学与工程学院

收稿日期:2008-08-26 修回日期:2008-10-17 发布日期:2009-04-22 出版日期:2009-02-01
通讯作者: 吴洪艳

Improving kernel fisher discriminant analysis for fault diagnosis in chemical process

Received:2008-08-26 Revised:2008-10-17 Online:2009-04-22 Published:2009-02-01

摘要/Abstract

摘要： 化工过程采样数据具有强非线性和噪声，针对化工过程状态监控的问题，提出一种改进的核费舍判别分析法（KFDA）的故障诊断算法。首先采样数据经过小波变换方法去除噪声，去除噪声后的数据进行KFDA建模，然后在建模同时采用特征向量选择（FVS）算法降低复杂性。Tennessee Eastman process实验结果表明了该算法的有效性，同时该算法加强了KFDA故障诊断的准确性，并明显地减少了存储空间和运算时间。

关键词: 核费舍判别分析, 故障诊断, 小波降噪, 特征向量选择

Abstract: The sample data in chemical process have strong nonlinearity and involve noise. To solve the problem of condition monitoring for chemical process, an improved KFDA method for fault diagnosis was proposed. It first performed the wavelet transform to remove noise, and the de-noised data were constructed KFDA model. Then a geometry-based feature vector selection (FVS) scheme was adopted to reduce the computational complexity of KFDA. Tennessee Eastman process (TEP) simulations were carried out to show that the given method is effective, and it enhances the accuracy of KFDA for fault diagnosis and reduces memory space and run time.

Key words: Kernel Fisher Discriminant Analysis (KFDA), fault diagnosis, wavelet de-noising, feature vector selection

吴洪艳黄道平. 改进的核费舍判别分析法应用于故障诊断[J]. 计算机应用.

. Improving kernel fisher discriminant analysis for fault diagnosis in chemical process[J]. Journal of Computer Applications.

[1]	彭雪莹, 江永全, 杨燕. 基于图卷积网络的迁移学习轴承服役故障诊断[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3626-3631.
[2]	孙淑光, 周琪. 基于残差决策的自动飞行控制系统远程实时故障诊断[J]. 计算机应用, 2020, 40(5): 1522-1528.
[3]	王日俊, 白越, 曾志强, 段能全, 党长营, 杜文华, 王俊元. 基于自适应观测器的四旋翼无人飞行器多传感器故障诊断方法[J]. 计算机应用, 2018, 38(9): 2735-2741.
[4]	马梦莹, 曾雅丽, 魏甜甜, 陈志德. 基于邻居节点预状态的无线传感器网络故障诊断算法[J]. 计算机应用, 2018, 38(8): 2348-2352.
[5]	王岩, 罗倩, 邓辉. 基于Gibbs抽样的轴承故障诊断方法[J]. 计算机应用, 2018, 38(7): 2136-2140.
[6]	何春, 李琦, 吴让好, 刘邦欣. 基于故障传播的模块化BP神经网络电路故障诊断[J]. 计算机应用, 2018, 38(2): 602-609.
[7]	徐冰珂, 周宇喆, 杨茂林, 谢远航, 李晓瑜, 雷航. 面向电信行业网络告警系统的告警过滤算法[J]. 计算机应用, 2018, 38(10): 2881-2885.
[8]	杨洪柏, 张宏利, 刘树林. 基于可视化异类特征优选融合的滚动轴承故障诊断[J]. 计算机应用, 2017, 37(4): 1207-1211.
[9]	张敏龙, 王涛, 王旭平, 常红伟, 王放. 分步动态自回归核主元分析及其在故障诊断中应用[J]. 计算机应用, 2016, 36(5): 1464-1468.
[10]	刘秋玥, 程勇, 王军, 钟水明, 徐利亚. 基于累积和控制图的分布式传感网络故障诊断[J]. 计算机应用, 2016, 36(11): 3016-3020.
[11]	叶卫东, 杨涛. 融合极点对称模态分解与时频分析的单通道振动信号盲分离方法[J]. 计算机应用, 2016, 36(10): 2933-2939.
[12]	许有才, 万舟. 基于条件局部均值分解与变量预测模型的轴承故障诊断方法[J]. 计算机应用, 2015, 35(9): 2606-2610.
[13]	胡银辉, 陈琳. 大规模InfiniBand网络自学习的故障诊断方法[J]. 计算机应用, 2015, 35(11): 3092-3096.
[14]	陈志, 李天瑞, 李明, 杨燕. 基于计算统一设备架构的高铁故障诊断方法[J]. 计算机应用, 2015, 35(10): 2819-2823.
[15]	黄迪李太福易军田应甫. 基于优化相对主元分析的铝电解槽况诊断[J]. 计算机应用, 2014, 34(8): 2429-2433.