دانلود ترجمه مقاله تحلیل مولفه اصلی کرنل افتراقی خطا با استفاده از اطلاعات خطای قبلی

1. مقدمه 2. روش تشخیص خطا مبتنی بر KPCA 3. روش پیشنهادی 4. مطالعات شبیه سازی 5. نتیجه گیری

چکیده – تحلیل مولفه اصلی کرنل (KPCA) که مدل آماری آن از داده های نرمال استفاده می کند و اطلاعات خطای قبلی موجود را نادیده می گیرد، احتمالا نتواند بهترین عملکرد شناسایی خطا را برای کنترل فرایند غیرخطی ارائه دهد. برای استفاده از داده های خطای قبلی جهت بهبود شناسایی خطا، روش KPCA افتراقی خطا (EDKPCA) پیشنهاد شد که همزمان دو نوع ویژگی داده، یعنی مولفه اصلی کرنل غیرخطی (KPCs) و مولفه افتراقی خطا (FDCs) را کنترل می کند. بویژه، براساس داده های عملیاتی نرمال، KPCs به واسطه مدلسازی عادی KPCA استخراج می شوند، درحالیکه FCDs با استفاده از داده های عملیاتی نرمال و داده های خطای قبلی و توسط تحلیل افتراقی غیرمحلی- محلی کرنل (KLNPDA) بدست می آیند. آمار کنترل برای مدلهای KPCA , KLNPDA ارائه می شوند. بعلاوه، از استنباط بیزی جهت تبدیل آمار کنترلی استفاده می شود که متناظر با احتمالات خطا می باشد و کل آمار کنترل مبتنی بر احتمال به واسطه توزین نتایج دو مدل بالا بدست می آیند که قابلیت شناسایی خطای آنلاین موثر را فراهم می آورند. دو مطالعه موردی که شامل سیستم غیرخطی شبیه سازی شده و راکتور همزن دار پیوسته می باشند، عملکرد شناسایی خطا را برای طرح KLNPDA نسبت به روش KPCA قدیمی نشان می دهند.

Kernel principal component analysis (KPCA) based fault detection method, whose statistical model only utilizes normal operating data and ignores available prior fault information, may not provide the best fault detection performance for nonlinear process monitoring. In order to exploit available prior fault data to enhance fault detection performance, a fault discriminant enhanced KPCA (FDKPCA) method is proposed, which simultaneously monitors two types of data features, nonlinear kernel principal components (KPCs) and fault discriminant components (FDCs). More specifically, based on the normal operating data, KPCs are extracted by usual KPCA modeling, while with the normal operating data and prior fault data, FDCs are obtained by the kernel local-nonlocal preserving discriminant analysis (KLNPDA). Monitoring statistics are constructed for both the KPCA and KLNPDA sub-models. Moreover, Bayesian inference is employed to transform the corresponding monitoring statistics into fault probabilities, and the overall probability-based monitoring statistics are constructed by weighting the results of the two sub-models, which provides more effective on-line fault detection capability. Two case studies involving a simulated nonlinear system and a continuous stirred tank reactor demonstrate the superior fault detection performance of the proposed KLNPDA scheme over the traditional KPCA method.