摘要: 针对间歇过程数据呈现的多阶段性、强耦合性以及非线性等特点,提出一种基于核熵成分分析(KECA)和改进灰狼优化算法及核极限学习机的(KELM)间歇过程故障诊断方法.考虑间歇过程数据的多阶段性,利用K均值算法对数据进行阶段划分,将整个过程划分为若干子阶段;针对间歇过程数据的强耦合性与非线性,引入核熵成分分析算法对原始故障数据进行特征提取,获得数据深层特征;利用核极限学习机作为分类器,并通过改进种群初始化策略与收敛因子的改进灰狼算法进行分类器参数智能寻优,进而获得最优分类器,实现间歇
基于KECA-IGWO-KELM的间歇过程故障诊断方法
最新推荐文章于 2023-10-17 09:08:04 发布
针对间歇过程的多阶段、强耦合和非线性特点,提出了一种基于核熵成分分析(KECA)、改进灰狼优化算法(IGWO)和核极限学习机(KELM)的故障诊断方法。首先,使用K均值算法进行阶段划分,然后运用KECA进行特征提取,接着利用IGWO优化KELM参数,构建最优分类器,实现高效故障诊断。通过青霉素仿真实验验证了该方法的可行性和准确性。
摘要由CSDN通过智能技术生成