基于PCA-SVDD的化工过程异常工况检测

化工过程往往涉及易燃易爆、高温高压、有毒有害等物料或介质,异常工况检测对保证装置平稳运行具有重要意义.随着装置可靠性和自动化水平的不断提高,异常数据变得匮乏,给异常工况检测提出新的挑战.针对上述问题,本工作融合主成分分析(Principle Component Analysis,PCA)和支持向量数据描述(Support Vector Data Description,SVDD)两种方法,提出一种基于PCA-SVDD的化工过程异常工况检测方法.通过PCA将正常数据分解为主元子空间和残差子空间,然后将主元子空间作为目标类型数据,引入高斯核函数建立SVDD异常检测模型,最后采用田纳西-伊斯曼(Tennessee-Eastman,TE)过程数据对方法进行验证,并与传统PCA和SVDD的异常检测结果进行对比.结果表明,本工作所提方法具有更优的检测效果,可实现化工过程异常工况的早期预警,对保证装置的平稳运行具有一定意义.