摘要：提出了一种将变量重构与高斯混合模型结(2)
2013-05-20 01:19
导读：2．3 高斯模型与变量重构结合的故障诊断与分离 将高斯模型与变量重构相结合能够融合变量重构与高斯模型的各自优势来避免过程故障诊断与分离的不可
2．3 高斯模型与变量重构结合的故障诊断与分离
将高斯模型与变量重构相结合能够融合变量重构与高斯模型的各自优势来避免过程故障诊断与分离的不可靠性。具体步骤为，首先令z (k)，其中，z (k)是由式(2)得到的重构变量，然后，估计未知参数，这里采用最大期望算法来估测均值与协方差矩阵。
对于无监督的聚类，首先必须为每一个样本指定一个类别，这一步可以通过其他的聚类方法实现，如K—means法，求出各个类别的中心和每一个样本的类别，然后求出各个类别中样本的协方差阵，可以用每个类别中样本的个数来表示该类别的权重。
将新的参数，诸如均值，方差，分类的先验概率进行计算，直到样本集合对各个分类的似然函数不再有明显的变化为止。最终，通过新的参数构建了GMM 模型，再利用贝叶斯推论来确定置信区间。贝叶斯推论表达式。为了说明变量重构与高斯结合法的可用性，在以上的TE过程中，第1OO～190个采样时刻之间，加入1．3的偏差干扰。分析一种新型通信基站方案简介
通过将传统的多变量统计方法与变量重构和高斯相结合的方法比较，后者在提高故障诊断可靠性上显示出了更多的优势。因为变量重构能解决残差空间变量相关性带来的问题，而高斯模型能够克服PCA／PLS的过程数据必须服从单峰高斯分布这一局限性，此方法融合了这些优点，大大提高了故障诊断的可靠性。谈谈机床自动化的故障排除技术
3 结束语
本文深入研究了基于变量贡献进行过程故障诊断与分离的方法。但由于PCA／PLS的残差空间的变量是线性相关而导致的故障诊断与分离的不准确性，通过引入变量重构法，克服了一些贡献率判断所带来的问题，但由于变量重构在多变量统计分析中应满足过程采样数据服从单峰高斯分布的条件，这在实际的工业过程是很难达到的，因此可见依靠变量重构法也不能达到最理想的故障诊断。因此，本文采用了将多变量统计法与变量重构和高斯相结合的方法，通过将此两种方法进行比较，表明了应用高斯模型和变量重构结合法进行故障诊断的可用性与可靠性。
