基于加权深度支持向量数据描述的工业过程故障检测

摘要

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.