基于局部熵双子空间的多模态过程故障检测

为了提高非高斯工业过程的检测性能,提出局部熵双子空间(LEDS)的多模态过程故障检测方法.运用局部概率密度估计构建数据的局部熵矩阵,消除数据的多模态特性.用Kolmogorov-Smirnov(KS)检验局部熵数据中变量的正态分布特性,对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和ICA的非高斯子空间故障检测模型.利用Bayesian决策将检测结果转化成发生故障概率的形式,将检测结果组合成最终的统计信息,进行故障检测.将该方法应用于数值例子和田纳西–伊斯曼多模态过程,仿真结果表明,该方法在误报率较低的情况下,故障检测率最高,优于PCA、局部熵PCA(LEPCA)和局部熵ICA(L...

Full description

Saved in:
Bibliographic Details
Published in控制理论与应用 Vol. 37; no. 9; pp. 2020 - 2028
Main Authors 郭金玉, 刘玉超, 李元
Format Journal Article
LanguageChinese
Published 沈阳化工大学信息工程学院,辽宁沈阳110142 01.09.2020
Subjects
局部熵
KS检验
多模态过程
Bayesian决策
局部概率密度
Online AccessGet full text
ISSN1000-8152
DOI10.7641/CTA.2020.90297

Cover

Abstract 为了提高非高斯工业过程的检测性能,提出局部熵双子空间(LEDS)的多模态过程故障检测方法.运用局部概率密度估计构建数据的局部熵矩阵,消除数据的多模态特性.用Kolmogorov-Smirnov(KS)检验局部熵数据中变量的正态分布特性,对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和ICA的非高斯子空间故障检测模型.利用Bayesian决策将检测结果转化成发生故障概率的形式,将检测结果组合成最终的统计信息,进行故障检测.将该方法应用于数值例子和田纳西–伊斯曼多模态过程,仿真结果表明,该方法在误报率较低的情况下,故障检测率最高,优于PCA、局部熵PCA(LEPCA)和局部熵ICA(LEICA)方法.
AbstractList 为了提高非高斯工业过程的检测性能,提出局部熵双子空间(LEDS)的多模态过程故障检测方法.运用局部概率密度估计构建数据的局部熵矩阵,消除数据的多模态特性.用Kolmogorov-Smirnov(KS)检验局部熵数据中变量的正态分布特性,对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和ICA的非高斯子空间故障检测模型.利用Bayesian决策将检测结果转化成发生故障概率的形式,将检测结果组合成最终的统计信息,进行故障检测.将该方法应用于数值例子和田纳西–伊斯曼多模态过程,仿真结果表明,该方法在误报率较低的情况下,故障检测率最高,优于PCA、局部熵PCA(LEPCA)和局部熵ICA(LEICA)方法.
Author 李元
刘玉超
郭金玉
AuthorAffiliation 沈阳化工大学信息工程学院,辽宁沈阳110142
AuthorAffiliation_xml – name: 沈阳化工大学信息工程学院,辽宁沈阳110142
Author_FL LI Yuan
GUO Jin-yu
LIU Yu-chao
Author_FL_xml – sequence: 1
  fullname: GUO Jin-yu
– sequence: 2
  fullname: LIU Yu-chao
– sequence: 3
  fullname: LI Yuan
Author_xml – sequence: 1
  fullname: 郭金玉
– sequence: 2
  fullname: 刘玉超
– sequence: 3
  fullname: 李元
BookMark eNotjz1Lw0Ach2-oYK1d_Qwuif__Xe4uN5bgGxRc6lwuTSJqSMEgEqeIb0NFXUQIgogOcXAQ7JLFL2MS8y2s6PTbnuf5LZBWNI58QpYQTCksXHEGPZMCBVMBVbJF2ggAho2czpNuHO-6AIhAJcc2UeVj8VVcl-9pc5rXF9Py5qp8u61fi-b-o87Oypesyp-q9OT787LOJ9XdeZM9VM9pNZ0skrlAh7Hf_d8O2V5bHTgbRn9rfdPp9Y0YgQnDhlkS1S5qGyyXUeAamKKBz30xClhgc5RMC-CuhwF1QWiPazlSnrYU1VqyDln-4x7pKNDRznBvfHgQzYzD_eMwTJLk9yooQMF-APCHXXY
ContentType Journal Article
Copyright Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
Copyright_xml – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
DBID 2B.
4A8
92I
93N
PSX
TCJ
DOI 10.7641/CTA.2020.90297
DatabaseName Wanfang Data Journals - Hong Kong
WANFANG Data Centre
Wanfang Data Journals
万方数据期刊 - 香港版
China Online Journals (COJ)
China Online Journals (COJ)
DatabaseTitleList
DeliveryMethod fulltext_linktorsrc
Discipline Engineering
DocumentTitle_FL Fault detection of multimodal processes based on local entropy double subspace
EndPage 2028
ExternalDocumentID kzllyyy202009016
GrantInformation_xml – fundername: (国家自然科学基金重大项目); (国家自然科学基金项目); (辽宁省科学事业公益研究基金项目); (辽宁省教育厅项目)
  funderid: (国家自然科学基金重大项目); (国家自然科学基金项目); (辽宁省科学事业公益研究基金项目); (辽宁省教育厅项目)
GroupedDBID -01
-0Y
2B.
4A8
5XA
5XJ
92H
92I
93N
ABJNI
ACGFS
ALMA_UNASSIGNED_HOLDINGS
CCEZO
CCVFK
CUBFJ
CW9
PSX
TCJ
TGT
U1G
U5S
UY8
ID FETCH-LOGICAL-s1036-806412ab1a804b3205a0392fe5e6cf3f85173a605bd1f2b06ad5a7c9da492aa73
ISSN 1000-8152
IngestDate Thu May 29 04:08:30 EDT 2025
IsPeerReviewed true
IsScholarly true
Issue 9
Keywords 局部熵
KS检验
多模态过程
Bayesian决策
局部概率密度
Language Chinese
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-s1036-806412ab1a804b3205a0392fe5e6cf3f85173a605bd1f2b06ad5a7c9da492aa73
PageCount 9
ParticipantIDs wanfang_journals_kzllyyy202009016
PublicationCentury 2000
PublicationDate 2020-09-01
PublicationDateYYYYMMDD 2020-09-01
PublicationDate_xml – month: 09
  year: 2020
  text: 2020-09-01
  day: 01
PublicationDecade 2020
PublicationTitle 控制理论与应用
PublicationTitle_FL Control Theory & Applications
PublicationYear 2020
Publisher 沈阳化工大学信息工程学院,辽宁沈阳110142
Publisher_xml – name: 沈阳化工大学信息工程学院,辽宁沈阳110142
SSID ssib001102751
ssib002258297
ssib023646306
ssib057620041
ssib051372463
ssj0042201
ssib023167526
Score 2.2759438
Snippet ...
SourceID wanfang
SourceType Aggregation Database
StartPage 2020
Title 基于局部熵双子空间的多模态过程故障检测
URI https://d.wanfangdata.com.cn/periodical/kzllyyy202009016
Volume 37
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnR27bhQxcJVHAwXiKd4KEi4vrL1rr1167_YUIUJDIqWLvHe7IBEdUnIpkuoQryIIaBBShIQQFKGgQCLNNfwMd0f-ghnvM1GKQLPy2uPxPNb2zPoxjnM7wRtSTJA0ugov1e6atBEb2YHB0Je0A962sGerFu-LhWX_7gpfmZper-1a2uzH853tY8-V_I9WIQ_0iqdk_0GzJVLIgDToF56gYXieSMck4kS1SahJ5ONTRpgTUty-ECkiPaIliQIiBQk5Fsk2kU1M6BZRLhZpZasrogIS-pijAI9vYXxMRwKRaIoJQCshIUkIeAJbXRIZYpEC5Nzi0UQ1bS3PkmGblmHdCLaoIqIDSxJgE7ZdF-kE5DoqOJIFR4Azo82HFotvpGCxZRNQSC2vEZGqArENKFmWWOqheV6BAPGtvCFgIQt4U_wIAa-32OmVfbqWIYZIkVfA5dl6TaKEpRREwnPhZfwBeVpYbtqFFCnR7RpwKcUSGDArohl8_pZckEfLlkZW_EcJoBgIufb3FtdSGpLyQ9NPdudN3s1UfS5xmVuzS-BVHjfnBcLHOa-5pOexxrzCcGTV7F7uuXy8vba2tbWFMC4YgWLamWVBgFsbZnVr8d6DyoimuJRdM-oYx_PXxTvDuxN4ZbRjBALhVWv1nHoBq8VYAIcW-2y58cpnzAYlL4WRXaWKbNw5zIQ9R9dLTe9hzeRbOuucyX21OZ11vHPO1Paj887p2g2eFxw1-jT8PXwz-jE4eLY3ebk_evt69P3d5Nvw4MPPye7z0dfd8d7n8eDpn1-vJns74_cvDnY_jr8Mxvs7F53ldrTUXGjk0UgaGzS7tRsoZCamBsax2GMuNy44F2nCE9FJvRRcl8AzwuVxl6YsdoXpwiDYUV3jK2ZM4F1yZnpPesllZy4AP97tGI9L4_kmNbEfM7CZDOvKhMYmveLcyhlfzUebjdWj6rt6Aphrzqmqo1x3Zvrrm8kNsKH78c1c6X8BHpaRsg
linkProvider EBSCOhost
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E5%B1%80%E9%83%A8%E7%86%B5%E5%8F%8C%E5%AD%90%E7%A9%BA%E9%97%B4%E7%9A%84%E5%A4%9A%E6%A8%A1%E6%80%81%E8%BF%87%E7%A8%8B%E6%95%85%E9%9A%9C%E6%A3%80%E6%B5%8B&rft.jtitle=%E6%8E%A7%E5%88%B6%E7%90%86%E8%AE%BA%E4%B8%8E%E5%BA%94%E7%94%A8&rft.au=%E9%83%AD%E9%87%91%E7%8E%89&rft.au=%E5%88%98%E7%8E%89%E8%B6%85&rft.au=%E6%9D%8E%E5%85%83&rft.date=2020-09-01&rft.pub=%E6%B2%88%E9%98%B3%E5%8C%96%E5%B7%A5%E5%A4%A7%E5%AD%A6%E4%BF%A1%E6%81%AF%E5%B7%A5%E7%A8%8B%E5%AD%A6%E9%99%A2%2C%E8%BE%BD%E5%AE%81%E6%B2%88%E9%98%B3110142&rft.issn=1000-8152&rft.volume=37&rft.issue=9&rft.spage=2020&rft.epage=2028&rft_id=info:doi/10.7641%2FCTA.2020.90297&rft.externalDocID=kzllyyy202009016
thumbnail_s http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Fkzllyyy%2Fkzllyyy.jpg