作者：王培良; 叶晓丰; 杨泽宇独立成分分析粒子群算法隐马尔科夫模型相关性评估自适应因子故障检测
摘要：工业过程数据具有动态、非高斯等特性.独立成分分析(independent component analysis,ICA)既可以分析数据的非高斯形式,又可以极大地去除多变量间的耦合且满足独立性要求.本文引入粒子群算法优化ICA模型参数,自适应地确定独立成分个数.同时,提出一种基于隐马尔科夫链模型(hidden Markov model,HMM)的自适应检测限设计方法,将时间相关数据块的特征信息变化作为过程故障的检测依据.首先利用由时间窗方法确定的独立成分组成监测矩阵来训练HMM模型,旨在提高独立成分间相关性水平的表示能力;然后将得到的HMM模型对监测矩阵进行相关性评估,并在一定容许裕度的基础上设计评估值的自适应因子及检测限,并据此监测特征信息变化,动态地进行在线故障检测.最后,Tennessee Eastman(TE)仿真平台的实验结果表明了所提方法的有效性.
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
