付克昌;吴铁军
浙江大学工业控制国家重点实验室,智能系统与决策研究所,浙江 杭州 310027
Feature subspace based KPCA and its application to fault detection and diagnosis
FU Kechang;WU Tiejun
摘要:
针对标准KPCA(kernel principal component analysis)不适合大样本分析的缺点,提出了一种基于特征子空间的KPCA(FS_KPCA)及其故障检测与诊断方法,该方法通过构建具有较小维数的特征子空间上的正交基来简化核矩阵,从而降低KPCA的计算复杂性.与标准KPCA方法相比,FS_KPCA方法具有更高的计算效率且只需较小的计算机存储空间.通过非等温连续反应釜过程的故障检测与诊断的应用实例,说明了本算法的有效性.