基于MICA-OCSVM的间歇过程故障监测.pdfVIP

第 40卷 第 10期 北 京 工 业 大 学 学 报 Vo1．40 NO．10 2014年 10月 JOURNALOFBEIJING UNIVERSITY OFTECHNOLOGY 0ct．2014 基于 MICA—OCSVM 的间歇过程故障监测 王 普 ，张亚潮 ，高学金 ，齐咏生 (1．北京工业大学 电子信息与控制工程学院，北京 100124；2．内蒙古工业大学 电力学院，呼和浩特 010051) 摘 要 ：针对多向独立成分分析 (multi—wayindependentcomponentanalysis，MICA)需要假设过程变量服从非高斯分 布 的要求 ，以及 MICA基于马氏距离构造的监控统计量会导致故障检测率降低 的问题 ，研究了一种将多向独立成分 分析与单类支持 向量机 (one-classsupportvectormachines，OCSVM)相结合 的MICA—OCSVM监测方法．首先采用 MICA提取间歇过程所有批次的独立成分 ；然后分别对每个 时刻的所有批次 的独立成分进行 OCSVM建模 ，利用确 定的决策超平面构造非线性的监控统计量 ；最后计算所有建模数据 的监控统计量 ，并利用核密度估计确定相应 的 控制限．将该方法应用到青霉素发酵过程仿真平台，实验结果表 明：该方法相 比于传统的MICA故障监测方法 ，无 需考虑过程变量服从何种分布 ，能够有效利用独立成分的结构信息，故障的误报率、漏报率 明显降低． 关键词：多向独立成分分析；单类支持向量机 ；问歇过程 ；故障监测 中图分类号：TP274．5 文献标志码 ：A 文章编号：0254—0037(2014)10—1472—06 FaultDetection ofBatchProcessBasedonM ICA—oCSVM WANGPu ，ZHANGYa．chao，GAOXue—jin，QIYong—sheng (1．CollegeofElectronicInformation＆ControlEngineering，BeijingUniversityofTechnology，Beijing100124，China； 2．CollegeofElectricPower，InnerMongoliaUniversityofTechnology，Huhhot010051，China) Abstract：Tosolvetheproblemsthatmulti—wayindependentcomponentanalysis(MICA)needtoassume process variables conforming non·Gaussian distribution and the monitoring statistics based on the Mahalanobisdistance ofMICA willcausereduction in faultdetection rate，anew monitoring method basedonMulti—wayIndependentComponentAnalysisandOne-ClassSupportVectorMachines(MICA— OCSVM)wasresearched．Firstly，theindependentcomponents(ICs)fromallbatchesofbatchprocess wereextracted by MICA． Secondly， OCSVM wasused to modelforallbatches’ICsateach time， separately．Meanwhile，decision hyper—planeoftheOCSVM modelwaschosen toconstructmonitoring statistics．Finally， the confidence limits were determined using kerneldensity e