CAJ | 학술논문

基于主元分析(Principal Component Analysis,PCA)的统计监控模型易受建模数据中离群点的影响；大多工业过程表现出强非线性；且基于PCA的统计性能监控法由于不用过程机理模型的信息从而对故障诊断问题难以在理论上作系统分析,提出基于中心最短距离法CDC (Closest Distance to Center,CDC)/椭球多变量整理法MVT(ellipsoidal Multivariate Trimming,MVT)离群点去除的核主元分析KPCA (Kernel PCA,KPCA)-多支撑向量机MSVMs(Multiple Support Vector Machines,MSVMs)的过程监控方法.该方法首先提出改进尺度的CDC/MVT离群点去除算法以获取正常建模数据；然后利用KPCA来进行故障特征的提取,从而提高非线性统计过程监控的准确性；最后提出MSVMs用来对故障的来源进行分类,以避免求解核主元空间到原始空间的逆映射.将该方法应用到对TE(Tennessee Eastman,TE)过程的监控,表明了所提出方法的有效性,为过程的监控和故障诊断提供了一个新的方法.
기우주원분석(Principal Component Analysis,PCA)적통계감공모형역수건모수거중리군점적영향；대다공업과정표현출강비선성；차기우PCA적통계성능감공법유우불용과정궤리모형적신식종이대고장진단문제난이재이론상작계통분석,제출기우중심최단거리법CDC (Closest Distance to Center,CDC)/타구다변량정리법MVT(ellipsoidal Multivariate Trimming,MVT)리군점거제적핵주원분석KPCA (Kernel PCA,KPCA)-다지탱향량궤MSVMs(Multiple Support Vector Machines,MSVMs)적과정감공방법.해방법수선제출개진척도적CDC/MVT리군점거제산법이획취정상건모수거；연후이용KPCA래진행고장특정적제취,종이제고비선성통계과정감공적준학성；최후제출MSVMs용래대고장적래원진행분류,이피면구해핵주원공간도원시공간적역영사.장해방법응용도대TE(Tennessee Eastman,TE)과정적감공,표명료소제출방법적유효성,위과정적감공화고장진단제공료일개신적방법.