首页|基于加权深度支持向量数据描述的工业过程故障检测

基于加权深度支持向量数据描述的工业过程故障检测

Industrial process fault detection using weighted deep support vector data description

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据
传统支持向量数据描述(SVDD)方法本质上采用浅层学习框架,难以有效监控非线性工业过程的复杂故障.针对此问题,提出一种基于加权深度支持向量数据描述(WDSVDD)的故障检测方法.该方法一方面在深度学习框架下重新定义SVDD优化目标函数,构建基于深度特征的深度SVDD监控模型(DSVDD),并利用核密度估计法计算监控指标的统计控制限;另一方面,考虑到深度特征的故障敏感度差异特性,在DSVDD监控模型中设计特征加权层,分别从静态和动态信息分析角度给出权重因子的计算方法,利用权重因子突出故障敏感特征的影响以提高故障检测率.应用于一个典型化工过程的测试结果表明,所研究的方法能够比传统SVDD方法更有效地监控过程中复杂故障的发生.

王晓慧、王延江、邓晓刚、张政

展开 >

中国石油大学(华东)控制科学与工程学院,山东青岛266580

动态建模 过程系统 算法 故障检测 深度学习 支持向量数据描述 非线性过程 加权因子

山东省自然科学基金海洋物探及勘探设备国家工程实验室开放课题中石油重大科技项目

ZR2020MF09320CX02310AZD2019-183-003

2021

10.11949/0438-1157.20210707

化工学报
中国化工学会 化学工业出版社

化工学报

CSTPCDCSCD北大核心
影响因子：1.26
ISSN：0438-1157
年,卷(期)：2021.72(11)
  • 5
  • 6