摘要：复杂机电系统生产过程监测数据具有明显的高维非线性和复杂分布特点,针对传统的方法难以满足复杂系统异常辨识的要求,提出一种拉普拉斯特征映射-支持向量数据描述（Laplacian eigenmaps-support vector domain description,简称LE-SVDD）的异常监测方法。由于高维特征空间中距离很近的点投影到低维空间后距离应该很近,因此改进的LE方法使用一个有权无向图来描述一个流行,用嵌入的方式找到高维数据的低维嵌入,从而能够发现高维数据内部的地位流行结构。通过标准的田纳西-伊斯曼过程（Tennessee Eastman process,简称TE过程）测试和训练数据进行仿真实验,给出了在非线性特征提取和不同时段异常辨识的准确结果。平均漏报率和误报率都比较低,分别为6.063,6和5.625,3.125,这表明LE-SVDD方法在状态监测中具有良好的非线性和高维数据处理能力,适用于工程系统的监测诊断。
分类：期刊> 自然科学与工程技术> 工程科技II> 工业通用技术及设备
收录：北大期刊(中国人文社会科学期刊) > CSCD 中国科学引文数据库来源期刊(含扩展版) > 统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > EI 工程索引(美) > JST 日本科学技术振兴机构数据库(日) > 国家图书馆馆藏 > 上海图书馆馆藏
关键词：复杂机电系统 异常监测方法 特征提取
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
