基于马氏距离的改进核Fisher化工故障诊断研究

摘要

针对化工故障诊断数据存在非线性分布、数据类别复杂、数据量大且故障特征不易区分等问题,本文提出一种基于马氏距离的改进核Fisher 故障诊断方法(Mahalanobis distance-based kernel Fisher discrimination,MKFD).首先,针对数据非线性分布的特点,本文将核Fisher判别分析算法改进,改进后的算法可以有效解决原始样本在投影后出现的因类间距离差异过大、类内距离不够紧凑造成的样本混叠现象.除此之外,利用Euclidean距离对类间距做加权处理时,用组平均距离取代质心距离,提升了运算效率,降低了时间复杂度;其次,根据高斯径向基核函数(Radial basis function,RBF)在MKFD中所呈现出的诊断精度的规律,本文采用一种新的核参数选择方法:区间三分法,用以取代在实际应用中依靠经验的交叉验证法;最后,本文采用马氏距离对故障进行分类,基于田纳西伊-斯特曼过程(Tennessee-Eastman,TE)数据将本方法与其他改进核Fisher算法进行仿真验证对比.结果表明新提出MKFD算法不仅可以提高故障诊断的运算效率,也能有效提高诊断的精度.