基于KECA-IGWO-KELM的间歇过程故障诊断方法

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，实现间歇过程各阶段的故障诊断.最后通过青霉素仿真实验数据进行模拟实验和对比实验，验证了该方法的可行性和优越性.