Fault Diagnosis Method of Joint Fisher Discriminant Analysis Based on the Local and Global Manifold Learning and Its Kernel Version
Fault Diagnosis Method of Joint Fisher Discriminant Analysis Based on the Local and Global Manifold Learning and Its Kernel Version
复制标题
基于局部和全局流形学习的联合Fisher判别分析故障诊断方法及其内核版本
DOI：
10.1109/tase.2015.2417882
复制
发表时间：
2016
影响因子：
5.6
通讯作者：
Han Z.
中科院分区：
文献类型：
--
作者：
Feng J.;Wang J.;Zhang H.;Han Z.
尽管Fisher判别分析（FDA）是一种出色的故障诊断方法，但在复杂的工业环境中通常很难提取判别信息。原因之一是，在这样的环境下，由于干扰、非高斯性和非线性，无法完全提取判别信息。本文提出了一种名为联合费舍尔判别分析（JFDA）的方法来解决这个问题。首先，JFDA根据每个数据的能量密度去除由干扰引起的异常值。然后，针对非高斯性和弱非线性，定义新颖的散布矩阵以基于流形学习提取局部和全局判别信息。最后，研究了核JFDA（KJFDA）以保持流形假设，因为强非线性可能会削弱假设并导致重叠。所提出的方法应用于田纳西伊士曼过程（TEP）。结果表明，KJFDA 比 FDA 的其他改进版本表现出更好的故障诊断性能。
Though Fisher discriminant analysis (FDA) is an outstanding method of fault diagnosis, it is usually difficult to extract the discriminant information in a complex industrial environment. One of the reasons is that, in such an environment, the discriminant information can not been extracted entirely due to the disturbances, non-Gaussianity and nonlinearity. In this paper, a method named Joint Fisher discriminant analysis (JFDA) is proposed to address the issues. First, JFDA removes outliers caused by disturbances according to the energy density of each datum. Then, for the non-Gaussianity and weakly nonlinearity, the novel scatter matrices are defined to extract both of the local and global discriminant information based on the manifold learning. Finally, the kernel JFDA (KJFDA) is investigated to hold the manifold assumption because the strongly nonlinearity may weaken the assumption and cause overlapping. The proposed method is applied to the Tennessee Eastman process (TEP). The results demonstrate that KJFDA shows a better performance of fault diagnosis than other improved versions of FDA.
登录
查看更多内容
通过结合全局类间可分离性准则提高基于局部边缘的学习方法的判别能力
影响因子：
6
作者：
Fang, Bin;Cheng, Miao;Tang, Yuan Yan;He, Guanghui
通讯作者：
He, Guanghui
利用自适应动态规划方法对未知一般非线性系统进行数据驱动的鲁棒近似最优跟踪控制
影响因子：
--
作者：
Huaguang Zhang;Lili Cui;Xin Zhang;Yanhong Luo
通讯作者：
Yanhong Luo
DOI：
10.1109/tc.1978.1674981
发表时间：
2015
期刊：
--
影响因子：
--
作者：
通讯作者：
--
DOI：
10.1109/tase.2012.2214383
发表时间：
2013
影响因子：
5.6
作者：
K. Bastani;Z. Kong;Wenzhen Huang;X. Huo;Yingqing Zhou
通讯作者：
K. Bastani;Z. Kong;Wenzhen Huang;X. Huo;Yingqing Zhou
DOI：
10.1109/tpami.2005.55
发表时间：
2005-03-01
影响因子：
23.6
作者：
He, XF;Yan, SC;Zhang, HJ
通讯作者：
Zhang, HJ