基于DPCA和KL散度的微小故障检测方法

周伟; 潘海鹏; 吴平; 陈亮

doi:10.13873/J.1000-9787(2020)03-0135-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于DPCA和KL散度的微小故障检测方法

计算与测试 | 更新时间：2025-09-11

- 基于DPCA和KL散度的微小故障检测方法
- Tiny fault detection method based on DPCA and KL divergence
- 传感器与微系统 2020年第3期页码：135-138
- 作者机构：
  
  浙江理工大学机械与自动控制学院
- 作者简介：
- 基金信息：
  
  浙江理工大学科研启动基金资助项目(14022086—Y)
- DOI：10.13873/J.1000-9787(2020)03-0135-04
  中图分类号： TP277
- 纸质出版：2020
- 稿件说明：
移动端阅览
周伟, 潘海鹏, 吴平, 等. 基于DPCA和KL散度的微小故障检测方法[J]. 传感器与微系统, 2020,(3):135-138.

ZHOU Wei, PAN Haipeng, WU Ping, et al. Tiny fault detection method based on DPCA and KL divergence[J]. 2020, (3): 135-138.
周伟, 潘海鹏, 吴平, 等. 基于DPCA和KL散度的微小故障检测方法[J]. 传感器与微系统, 2020,(3):135-138. DOI： 10.13873/J.1000-9787(2020)03-0135-04.

ZHOU Wei, PAN Haipeng, WU Ping, et al. Tiny fault detection method based on DPCA and KL divergence[J]. 2020, (3): 135-138. DOI： 10.13873/J.1000-9787(2020)03-0135-04.

摘要

针对工业生产过程中微小故障幅值小、特征不明显的特点

提出了一种基于动态主成分分析(DPCA)和KL散度的微小故障检测方法。该方法先采用DPCA构建动态过程的主成分分析模型

再利用KL散度量化模型得分向量概率分布之间的相似度

并按照3法则建立其相对应的统计限。为了验证所提方法的有效性

将该方法应用于田纳西—伊斯曼过程(TEP)。结果表明:所提方法能有效地检测出微小故障。

Abstract

Aiming at the characteristics of small faults and inconspicuous features in industrial production process

a tiny fault detection method based on dynamic principal component analysis（ DPCA） and KullbackLeibler（ KL） divergence is proposed. The method first uses DPCA to construct the PCA model for dynamic process

and then uses KL divergence to quantify the similarity between the probability distributions of the score vectors

and establish the corresponding statistical limits according to the 3σ rule. In order to verify effectiveness of the proposed method

the method is applied to the Tennessee Eastman process（ TEP）. The results show that the proposed method can effectively detect tiny faults.

关键词

Keywords

references

浏览量

248

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据