论文部分内容阅读
针对复杂工业过程中的非线性和高斯信息问题,提出了一种基于SM-SVDD（score matrix-support vector data description）的过程监测方法。SVDD模型不受线性和高斯假设的限制,克服了传统PCA统计监测方法假设过程满足线性和高斯分布的缺陷。首先,应用PCA算法对过程数据进行分解,提取出得分矩阵信息。然后,采用SVDD算法对得分矩阵建立基于距离的统计量并构建其相应的统计限。通过对Tennessee Eastman（TE）过程的仿真研究,验证了提出的故障监测算法的可行性和