邓晓刚，田学民

（中国石油大学信息与控制工程学院，山东青岛 266580）

基于动态独立成分的单类支持向量机方法及其在故障诊断中的应用

邓晓刚，田学民

（中国石油大学信息与控制工程学院，山东青岛 266580）

针对工业过程故障诊断中数据的动态性、非高斯性和非线性特点，提出一种基于动态独立成分的单类支持向量机（OCSVM）方法。为了分析数据的动态特性和非高斯性，应用动态独立成分分析（DICA）方法提取数据变量中的动态独立成分作为特征信息，基于特征信息建立OCSVM模型并构造非线性监控统计量。检测到故障后，计算故障数据与故障模式数据决策超平面的相似度，通过相似度分析识别故障模式。在Tennessee Eastman基准过程上的仿真结果表明，提出的方法能够比单类支持向量机更有效地检测过程故障，并且能够正确识别故障模式。

单类支持向量机;动态独立成分分析;故障检测;故障识别

近年来，基于数据驱动的故障诊断方法正在成为工业过程控制领域的研究热点［1］。目前研究较多的数据驱动方法有主元分析（principal component analysis，PCA）、独立成分分析（independent component analysis，ICA）和支持向量机（support vector machine，SVM）等方法［1-5］，其中SVM由于其建模的稀疏性和良好的分类能力引起了广泛关注。单类支持向量机（one-class SVM，OCSVM）是最近提出的一种SVM故障诊断方法［6］，该方法只需要一类训练数据即可完成算法的学习过程，相比于传统的SVM方法更为简单实用。目前OCSVM故障诊断方法刚刚引入故障诊断领域中，还存在很多问题值得研究。问题之一是OCSVM方法基于原始测量数据建立统计模型，没有充分挖掘利用数据中的特征信息;另外一个问题是OCSVM方法侧重于如何检测故障，对于如何诊断故障的模式缺乏深入的研究。……