基于KECA和FWA-SVM的间歇过程分时段故障诊断方法

摘要: 针对间歇过程的高度复杂性、强非线性、强时段性等特点，提出一种基于核熵成分分析（KECA）特征变量降维，利用烟花算法（FWA）优化支持向量机（SVM）参数的间歇过程分时段故障诊断方法。首先，通过多向核主元分析（MKPCA）进行在线故障监测，输出故障数据；其次，利用K-means分类方法将间歇过程划分为若干个子时段，对故障数据进行KECA特征变量处理，按熵值贡献率来确定选取主元的个数，深层提取特征信息；最后，在各子时段内分别构建FWA优化SVM参数故障诊断模型，将降维处理后的故障数据代入各自所属子时段FWA-SVM诊断模型内进行故障诊断。通过对青霉素仿真实验数据进行各种对比实验研究，验证了该方法的可行性与有效性。