基于KFDA-SOM的化工过程故障诊断研究

摘要

如今的工业过程规模大,复杂程度高,导致数据具有非线性、高噪声以及不均匀分布的特点.为了解决单一自组织特征神经网络(Self-organizing Maps,SOM)在非线性数据诊断中判别准确度低的问题,提出结合核Fisher判别分析KFDA(Kernel Fisher Discrimnant Analysis)的SOM故障诊断方法.该算法在对数据进行核化处理改善数据非线性特征后,引入Fisher判别分析对数据进行降维处理,使投影到新子空间的数据具有较大的类间距离.通过对田纳西伊斯曼过程(Tennessee Eastman Process,TEP)中的故障进行仿真研究,验证了KFDA-SOM算法在面对非线性数据的故障分类中具有更好的效果,符合实际工业诊断需求.