计算机与现代化 ›› 2023, Vol. 0 ›› Issue (06): 15-20.doi: 10.3969/j.issn.1006-2475.2023.06.003
摘要: 针对工业过程产生的非线性数据存在特征维数高的问题,提出一种基于核主成分分析(Kernel Principal Component Analysis, KPCA)和麻雀搜索算法(Sparrow Search Algorithm, SSA)优化支持向量机(Support Vector Machine, SVM)相结合的过程故障检测算法。首先,采用KPCA算法提取工业过程数据的线性和非线性特征。然后,将提取特征后的数据作为训练样本建立SVM模型,同时利用SSA算法对SVM的惩罚因子和核参数进行优化,寻找最佳分类模型。最后,将最佳的分类模型应用于测试样本进行故障检测。为了验证所提算法的分类效果,本文利用田纳西伊斯曼化工过程数据,将KPCA-SSA-SVM与SVM、KPCA-GA-SVM(Genetic Algorithm, GA)进行对比分析,验证了所提算法的高效性和优越性。
中图分类号: