基于Matlab的故障检测的核PCA轮廓图

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

早期故障监测在大型工业工厂中变得非常重要，因为早期故障的早期检测有助于避免重大工厂故障。最近，典型变量差异分析 (CVDA) 已被证明是一种用于早期故障检测的有效技术，尤其是在动态过程条件下。通过引入基于内核的学习，CVDA 可以扩展到非线性过程。早期故障监控需要内核具有良好的内插和外推能力。然而，传统的单核只表现出一种能力或另一种能力，而不是两种能力。为了克服这个缺点，本研究提出了一种混合核 CVDA 方法，用于非线性动态过程中的早期故障监测。由于使用了混合内核，实现了增强的检测灵敏度和更好地描述监控图表中不断增长的故障严重性。展望未来，这项工作朝着理解内核行为对进程监控性能的影响迈出了一步

⛄ 部分代码

function c = greenmag(w)

% greenmag gives a colormap within [cl(1) cl(2)] from

%   Green [0 1 0] to White [1 1 1] to Magenta [1 0 1]

   m = 1000; cl = caxis;               % Get colormap limits

   m1 = round(m*(w-cl(1))/diff(cl));   % Get ratio of (-1), green

   m2 = m - m1;                        % the rest are (+1), magenta

   up = (0:m1-1)'/max(m1-1,1);         % up = [0,...,1]

   dn = (m2-1:-1:0)'/max(m2-1,1);      % dn = [1,...,0]

   r = [up; ones(m2,1)];               % red vector

   g = [ones(m1,1); dn];               % green vector

   b = [up; ones(m2,1)];               % blue vector

   c = [r g b].^2;                     % (c = [r g b].^4; for more crisp)

end

⛄ 运行结果

⛄ 参考文献

[1] Pilario, Cao, and Shafiee. Mixed Kernel Canonical  Variate Dissimilarity Analysis for Incipient Fault Monitoring in Nonlinear Dynamic Processes. Comput. and  Chem. Eng., 123, 143-154. 2019.

⛳️ 完整代码

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料