基于核熵成分分析的工业过程故障诊断.pdf

收稿日期:2 0 2 2 1 1 2 1基金项目:国家自然科学基金资助项目(6 2 2 7 3 2 4 2)。作者简介:李 榕(1 9 9 8),女,陕西宝鸡人,硕士研究生。通信作者:李 元(1 9 6 4),女,辽宁沈阳人,教授,博士生导师。E-m a i l:l i-y u a n m a i l.t s i n g h u a.e d u.c n。第3 5卷 第5期2 0 2 3年 1 0月沈阳大学学报(自然科学版)J o u r n a l o fS h e n y a n gU n i v e r s i t y(N a t u r a lS c i e n c e)V o l.3 5,N o.5O c t.2023文章编号:2 0 9 5-5 4 5 6(2 0 2 3)0 5-0 3 9 7-0 9基于核熵成分分析的工业过程故障诊断李 榕,李 元(沈阳化工大学 信息工程学院,辽宁 沈阳 1 1 0 1 4 2)摘 要:针对实际工业过程数据往往具有高斯与非高斯共存、非线性的特点,及传统核主成分分析在特征提取时仅考虑变量方差最大化导致信息丢失,并且处理非高斯数据能力欠佳,因此传统核主成分在故障诊断分析中难以取得令人满意的结果的问题,提出一种核熵成分分析(k e r n e le n t r o p yc o m p o n e n ta n a l y s i s,K E C A)、余弦相似度K均值(K-m e a n s o f c o s i n e s i m i l a r i t y,C S K)的故障诊断方法。首先将数据投影至高维空间,K E C A方法根据R e n y i熵大小选取投影方向,对数据进行降维;然后,基于K E C A能够以角结构方式捕捉数据内部的集群结构信息,设计一种余弦相似度的K均值聚类器,对数据进行聚类并建立故障诊断模型;最后,将K E C A-C S K方法应用于田纳西 伊斯曼化工过程进行仿真实验。结果表明:与核主成分聚类分析相比,K E C A-C S K方法具有更好的诊断结果,验证了所提方法的优越性。关 键 词:故障诊断;核熵成分分析;R e n y i熵;特征提取;田纳西 伊斯曼过程中图分类号:T P 2 7 7 文献标志码:AF a u l tD i a g n o s i so f I n d u s t r i a lP r o c e s sB a s e do nK e r n e lE n t r o p yC o m p o n e n tA n a l y s i sL IR o n g,L IY u a n(D e p a r t m e n to fI n f o r m a t i o nE n g i n e e r i n g,S h e n y a n gU n i v e r s i t yo fC h e m i c a lT e c h n o l o g y,S h e n y a n g1 1 0 1 4 2,C h i n a)A b s t r a c t:A c t u a l i n d u s t r i a l p r o c e s sd a t ao f t e nh a v et h ec h a r a c t e r i s t i c so fG a u s s i a na n dn o n-G a u s s i a nc o e x i s t e n c ea n dn o n l i n e a r i t y,a n dk e r n e l p r i n c i p a l c o m p o n e n t a n a l y s i s(K P C A)o n l yc o n s i d e r st h em a x i m i z a t i o no f v a r i a b l ev a r i a n c e i n f e a t u r e e x t r a c t i o n,r e s u l t i n g i n i n f o r m a t i o nl o s s,a n dt h ea b i l i t yt op r o c e s sn o n-G a u s s i a nd a t ai sn o tg o o d,s oi ti sd i f f i c u l tt oa c h i e v es a t i s f a c t o r yr e s u l t si nf a u l td i a g n o s i sa n a l y s i s.I nv i e w o ft h ea b o v ep r o b l e m s,af a u l td i a g n o s i sm e t h o do fk e r n e le n t r o p yc o m p o n e n ta n a l y s i s(K E C A)a n d K-m e a n so fc o s i n es i m i l a r i t y(C S K)w a sp r o p o s e d.F i r s t l y,t h ed a t aw a sp r o j e c t e d i n t oah i g h-d i m e n s i o n a l s p a c et os e l e c t t h ep r o j e c t i o nd i r e c t i o na c c o r d i n gt ot h eR e n y ie n t r o p yt or e d u c et h ed i m e n s i o no ft h ed a t a;t h e n,K E C Ac a nc a p t u r et h ec l u s t e rs t r u c t u r ei n f o r m a t i o ni n s i d et h ed a t ai na na n g u l a rs t r u c t u r e,a K-m e a n so fc o s i n es i m i l a r i t y w a sd e s i g n e dt oc l u s t e rt h ed a t aa n dc o n s t r u c t t h ef a u l td i a g n o s i sm o d e l.F i n a l l y,t h eK E C A-C S K m e t h o dw a sa p p l i e dt ot h eT e n n e s s e e-E a s t m a nc h e m i c a l p r o c e s s f o r s i m u l a t i o ne x p e r i m e n t s.S i m u l a t i o nr e s u l t s s h o w e dt h a t t h eK E C A-C S Km e t h o dh a db e t t e rd i a g n o s t i c r e s u l t s t h a n t h eK P C A,w h i c hv e r i f i e d t h es u p e r i o r i t yo f t h ep r o p o s e dm e t h o d.K e y w o r d s:f a u l td i a g n o s i s;K E C A;R e n y ie n t r o p y;f e a t u r ee x t r a c t i o n;T e n n e s s e e-E a s t m a np r o c e s s 随着工业生产过程越来越复杂多变,生产过程中对于设备的安全性和可靠性要求也愈加严格12。为了更多地捕捉过程信息,往往安装多样的传感器来获取大量反映过程信息的数据。通过分析正常数据和不同故障运行模式下的数据,实现基于数据驱动的故障诊断35。工业过程数据往往具有维数高、复杂性强等特点,若直接对获取的原始数据进行故障诊断,不仅消耗计算机资源多,而且诊断效果较差,因此,在工业过程数据上,对原始数据首先进行降维处理,去除数据冗余信息、压缩数据维度从而减少存储空间,消除数据噪声进而提高分类器的分类准确度。主成分分析(p r i n c i p a l c o m p o n e n t a n a l y s i s,P C A)6作为工业过程数据中最经典的降维方法,能够处理高维、嘈杂和高度相关的数据,因其优异的表现而被广泛应用于故障诊断领域。陈辉等7为了解决在设备故障分类识别中易受输入样本相关性影响的问题,提出P C A-B P神经网络方法对设备进行故障预测。张弛等8提出主成分分析和优化参数支持向量机的智能变电站故障诊断模型,用以解决目前智能变电站故障诊断结构复杂、样本数据量小的问题。但是,当数据分布具有非高斯和非线性特征时,由于使用二阶统计 量 和 线 性 假 设,P C A此 时 表 现 不 佳。核 主 成 分 分 析(k e r n e lp r i n c i p a lc o m p o n e n ta n a l y s i s,K P C A)91 1在一定程度拓宽了P C A的应用范畴,利用非线性映射将输入数据映射到高维特征空间,在特征空间执行P C A。李梦瑶等1 2用K P C A降低数据维度、剔除冗余信息,从而实现齿轮箱的故障诊断。武文栋等1 3提出K P C A结合麻雀搜索算法优化核极限学习机的方法,用以提高光伏阵列故障诊断的精度。然而,在实际工业过程中,数据通常同时存在着高斯分布和非高斯分布特性,而K P C A在选取主成分的过程中只使用过程变量的方差信息,因此缺少处理非高斯数据的能力,对一些复杂的系统故障处理效果也就不理想。2 0 1 0年,J e n s s e n1 4提出一种新的降维方法核熵成分分析方法(k e r n e le n t r o p yc o m p o n e n ta n a l y s i s,K E C A)。对比K P C A只考虑方差信息只能提取数据的高斯特征。K E C A1 51 7以信息熵为信息衡量的指标,使用高阶统计量最大程度保留原始数据的熵值,同时,其能够捕捉到数据内部的结构信息。如今,K E C A在干旱监测、柴油机故障识别、风电功率预测等领域被广泛应用1 82 0。但目前未查到该方法在化工工业过程多类型故障诊断领域的应用。针对传统算法在多类型故障诊断率较低的问题,本文提出一种K E C A-C S K的故障诊断方法。K E C A进行多种数据分析时,不同类别的数据样本往往互相垂直,而同一类别的数据样本往往共线,基于此特点设计一种基于余弦相似度的K均值聚类器,建立诊断模型,从而对未知类型的故障数据进行判别。本文对田纳西 伊斯曼化工过程(T e n n e s s e e-E a s t m a n,T E)进行模拟实验,验证K E C A-C S K均值方法在故障诊断领域的有效性。1 故障诊断方法1.1 核熵成分分析方法定义数据集D=x1,x1,xn 的概率密度函数p(x),其R e n y i熵H(p)表示为H(p)=-l gp2(x)d()x。(1)由式(1)可以看出,R e n y i熵估计取决于数据集的概率密度函数,不需要对数据的分布进行限定,算法的适用性更强。因为对数函数本身具有单调性,因此只需考虑V(p)=p2(x)dx。(2)为了估计V(p),引入P a r z e n窗函数p(x),表示为p(x)=1nxtDk(x,xt)。(3)式中:n为样本数;k(x,xt)是M e r c e r核函数,为核参数。V(p)用样本均值近似估计V(p),表示为V(p)=1nxtDp(xt)=1nxtD1nxt DK(xt,xt)=1n2ITK I。(4)式中:K为nn的核矩阵;I为n1的单位向量。核矩阵包含了二次R e n y i熵估计值所需的所有元素。对核矩阵进行特征分解,K=E ET。(5)893沈阳大学学报(自然科学版)第3 5卷式中:=d i a g(1,2,n)表示特征值矩阵;E=(e1,e2,en)表示特征向量矩阵。将式(5)代入式(4),得到V(p)=1n2ni=1ieTi()I2=1n2ni=1i。(6)由式(6)可得,R e n y i熵可以表示为n个分量的累积,各个分量都同时包含特征值与特征向量。将输入数据集D=x1,x2,xn,通过非线性映射到核特征空间定义为xi(xi)(i=1,2,n),该特征空间的数据可表示为=(x1),(x2),(xn)。由于K E C A可以被看作最大限度地保留R e n y i熵估计的主轴在包含原始数据最多信息的情况下构造成的子空间,即将数据映射到由k个K P C A主轴张成的子空间Uk上,对i值从大到小排序,选取前k个特征值和特征向量,转换后的数据表示为Fe c a=Uk=12kETkm i n1,e1,n,enV(p)-Vk(p)。(7)式中:Vk(p)是选取前k个特征向量估计的R e n y i熵;Fe c a=(f1,f2,fk)表示得分矩阵。在K P C A中,取前l个特征值和特征向量,转换后的数据表示为Fp c a=121ETl。对于新的样本xn e w在Uk上的投影可表示为Fkn e w=Uk(xn e w)=-12kETkK(x,xn e w)。(8)1.2 C S K方法K均值算法由于其原理简单、易于理解、容易实现以及理论可靠等优点而被广泛应用于不同领域。由于T E数据经K E C A特征提取后不同类的数据分布在不同的角度方向上,因此本文使用样本到各个质心的夹角余弦值来衡量数据样本之间的相似性,即余弦值越大,表明数据与该类别的数据样本相似度越高。假设两个包含m维特征的向量,表示为=(a1,a2,am),b=(b1,b2,bm),则夹角余弦值可表示为c o s=b b。(9)当,b方向一致时,数据之间夹角越小,夹角余弦值就越接近于1,数据相似度也就越高;同理,当两者之间夹角越大,夹角余弦值就越小,数据相似度也就越低。基于C S K的方法步骤如下:1)初始质心的确定。选取余弦相似度最低的数据样本作为前2个初始质心,然后再选择与前2个初始质心余弦相似度最低的数据样本作为第3个初始质心,以此类推,直至确定C个初始质心;2)将数据样本划分到与C个初始质心余弦相似度最高的类别中;3)更新每个数据类别中的类质心;4)重复步骤(2)(3),当质心位置变化小于给定的阈值,循环结束,保留各类别中心。C S K均值方法运用于故障诊断领域,首先是将混合的不同故障类别数据进行聚类,聚类结束以后,保留不同故障类别的聚类中心,构建诊断模型。对新获得的未知类别的测试数据进行故障诊断时,确定此故障数据样本与哪一类别的聚类中心余弦值最大,那么该样本的故障类别属性就与那一类故障样本的类别属性一致。1.3 K E C A中核参数的选取本文K E C A中核函数选取高斯核函数,表达式为k(x,xt)=e x p(-0.5x-xt2/2)。(1 0)式中,为待优化的核参数。在聚类分析中,尽可能使得同类数据之间相互靠近,不同类数据之间相互远离。因此,核参数选取规则定义如下:1)类内离散度。Sw=1Ci=1n2it,tCic o s(Fe c a(xt),Fe c a(xt)。(1 1)993第5期 李 榕等:基于核熵成分分析的工业过程故障诊断 2)类间离散度。Sb=1n2-Ci=1n2itCi,t Cj,ijc o s(Fe c a(xt),Fe c a(xt),i,j=1,C。(1 2)式中,C为数据样本类别个数。使用基于角结构的类内与类间离散度的差作为选取的准则函数,即:J=m a x(Sw-Sb)。(1 3)根据S h i等2 1提出的参数值选取方法,将原始空间样本欧氏距离中值的1 0%2 0%作为参数选取范围,然后利用所定义的准则函数选取合适的核参数。2 基于K E C A-C S K均值故障诊断基于K E C A-C S K均值故障诊断方法分为离线建模和在线诊断2部分,K E C A-C S K均值方法的诊断流程图如图1所示。图1 基于K E C A-C S K均值故障诊断流程F i g.1 F a u l t d i a g n o s i s f l o w c h a r t b a s e do nK E C A-C S K2.1 离线建模1)获取训练数据共m个变量n个样本X=x1,x2,xnRmn,并进行标准化处理;2)构建K E C A模型,根据式(7)计算得分矩阵Fe c a;3)计算Fe c a向量之间的余弦值,确定C个初始聚类中心;4)根据余弦相似度大小,将数据划分到相对应的类群中;5)更新C个类群的聚类中心;6)重复步骤4)5),各类群中心变化小于阈值,则停止,获得聚类中心。2.2 在线诊断1)测试数据xn e w并进行标准化处理;2)测试数据向K E C A模型进行投影,通过式(8)计算得分矩阵Fkn e w;3)计算Fkn e w与建模时各类群聚类中心的余弦值,将其划为余弦值最大的类群。3 T E仿真实验T E过程是由美国E a s t m a n化学公司的D o w n s和V o g e l共同开发的T EB e n c h m a r k仿真模拟平台,由该平台产生T E数据,近年来被广泛应用于工业生产故障检测与诊断2 22 6。T E工业流程主要包括反应器、冷凝器、循环压缩机、气液分离器和汽提塔等5个操作单元,整个过程中共涉及8种物料成分,分别为主要参加反应的气体进料U、C、D、E;惰性不可溶进料B;反应副产品F以及反应液态主产物G和H。该平台总共预设了2 1种故障,其中,I D V 1 I D V 7为阶跃故障,I D V 8 I D V 1 2为随机变化故004沈阳大学学报(自然科学版)第3 5卷障,I D V 1 3为慢偏移故障,I D V 1 4 I D V 1 5为堵塞干扰故障,I D V 1 6 I D V 2 1为未知型故障。3.1 样本选取表1 故障数据描述T a b l e1 F a u l t d a t ad e s c r i p t i o n故障编号故 障 描 述故障类型I D V 1物料U、C进料比改变,B不变阶跃I D V 5冷凝器冷却入口温度改变阶跃I D V 1 8未知未知 本文选取T E过程故障1、故障5和故障1 8作为研究对象。故障具体描述如表1所示。在训练集中,正常数据样本是在2 5h运行仿真下获得,样本总数为5 0 0;故障数据样本是在2 4h运行仿真下获得,样本总数为4 8 0。本文选取训练集34 0 05 2,其中3是3类故障类型,4 0 0是数据样本个数,5 2是变量数。在测试集中,正常数据样本是在4 8h运行仿真下获得,采样间隔时间为3m i n,样本总数为9 6 0;故障数据样本是在4 8h运行仿真下获得,故障在8h的时候引入,样本总数为9 6 0,其中,前1 6 0个数据样本为正常数据样本。本文选取测试集为34 0 05 2。3.2 故障诊断3.2.1 核参数确定图2 不同核参数下的准则函数值F i g.2 C r i t e r i o n f u n c t i o nv a l u e su n d e rd i f f e r e n t k e r n e l p a r a m e t e r s以T E过程为背景进行仿真实验,训练数据选取故障类型1、5和1 8共12 0 0个数据样本,测试数据为同样的未知标签的3类数据共12 0 0个数据样本。经计算,原始空间样本欧氏距离中值为5 0.0 1 5,核参数的选择区间为=5 0.0 1 5u,u=0.10.0 10.2,利用准则函数选取合适的核参数,核参数的取值与准则函数值的关系如图2所示。为了便于可视化以及诊断分析,同时确定k、l为聚类数3。观察图2可得,当核参数取欧氏距离中值的1 7%时,准则函数最大,因此本实验中核参数取值为8.5 0 25 5。3.2.2 实验分析为了验证K P C A(K P C A中核参数的取值方式与K E C A取值方式一致)与K E C A之间的差异性,将所建立的核矩阵分解后,得到特征值和R e n y i熵值,并将其归一化,如图3(a)所示,K P C A依据特征值大小选取第1、2、3主成分,K E C A中基于R e n y i熵值贡献选取第1、2、6主成分,即特征值大的不一定取得R e n y i熵值贡献也大。根据K P C A与K E C A两种方法选择各自不同的主成分后将数据进行投影,如图3(b)和3(c),K P C A投影将3类数据分开后,数据分布较为分散,也没有出现明显的角结构特性,而K E C A分析中,数据之间具有明显的角结构特征,数据分布较为紧密,有利于C S K方法对数据进行聚类。(a)规范化特征值和R e n y i熵值104第5期 李 榕等:基于核熵成分分析的工业过程故障诊断(b)前3个最大特征值对应的主成分(c)R e n y i熵贡献前3主成分图3 3种故障聚类实验分析F i g.3 A n a l y s i so f t h r e e f a u l t c l u s t e r i n ge x p e r i m e n t s对核矩阵的第1、2、3和6特征向量进行分析,如图4所示。(a)e1(b)e2(c)e3(d)e6图4 训练数据核主成分F i g.4 K e r n e l p r i n c i p a l c o m p o n e n t so f t r a i n i n gd a t a观察图4可得,K E C A根据R e n y i熵贡献大小,选择第e1、e2、e6特征向量。e1、e2、e6特征向量中均有一段对应于其中一个数据类别的正值或负值,而对于其他类别值均接近于零,即K E C A所选取的特征向量携带数据集的簇结构信息,因此,转换数据集的角结构也将会出现,如图4(c)所示。对于e3特征向量,其在零附近上下波动,对于R e n y i熵贡献也基本为0,K E C A按照R e n y i熵值大小也就不会选取该特征向量作为投影方向。K P C A对数据特征提取时,根据特征值降序排列选取e1、e2、e3特征向量。然而,e3特征向量分布没有刻画出故障1 8的数据的特点,不能获取数据的结构信息。因此,对比K P C A204沈阳大学学报(自然科学版)第3 5卷方法,K E C A能够提取不同类数据的差异性,获取数据内部存在的结构信息,使得转换后的数据保持较好的可区分性。3.2.3 训练数据聚类基于上述分析后,使用本文所提出的C S K聚类器,对训练数据进行聚类,获取各类群的聚类中心,聚类结果如图5所示。(a)K E C A聚类结果(b)K P C A聚类结果图5 聚类结果F i g.5 C l u s t e r i n gr e s u l tp l o t图5(a)是训练数据K E C A-C S K聚类结果,3种类型样本的聚类正确率分别为9 5.5%,9 6.0%和3 5.0%。图5(b)是K P C A的聚类结果,3种故障类型数据样本的聚类正确率分别为8 9.2 5%,5 4.2 5%和2 8.0 0%。K P C A聚类效果相比K E C A聚类效果较差。训练数据聚类结果的正确率直接影响对未知类别故障数据的诊断正确率。3.2.4 未知类别的故障数据诊断对于包含与建模数据相同的测试样本,将其投影到建模模型获得得分向量,计算得分向量与建模结果中各类群中心的余弦值,将其划为余弦值最大的那一类别中。若测试数据的故障类型不同于建模数据的故障类型时,将其代入其他数据建立的诊断模型中,图6是K E C A与K P C A的诊断结果。(a)K E C A诊断结果(b)K P C A诊断结果图6 故障诊断结果F i g.6 T r o u b l e s h o o t i n gr e s u l t s图6(a)是K E C A的诊断结果,3种未知故障类型的测试数据样本基本均能得到有效判别,总数据样本的诊断正确率为8 0.0 8%。K E C A特征提取时候,捕捉到的数据集群结构信息使得C S K方法在训练数据上能够取得较好的聚类结果,进而影响对测试数据的诊断结果。图6(b)是K P C A诊断结果,诊断结果较差,总数据样本的诊断正确率为5 9.0 8%,验证了K E C A在工业过程故障诊断领域的优越性。304第5期 李 榕等:基于核熵成分分析的工业过程故障诊断4 结 论针对实际工业过程中,传统核主成分多故障类型诊断率低问题,本文提出一种基于K E C A-C S K均值的故障诊断方法,并在T E化工过程数据取得较好的诊断效果。K E C A对数据进行特征提取,转换后的数据不同类别数据之间保持角结构特性,在此基础上设计一种基于余弦相似度的K均值聚类方法,从而获得较高准确率的建模结果,提高对未知类型数据判别的正确率。后续工作集中于探究该方法在其他工业过程的应用是否也能取得较好的诊断结果。参考文献:1 周东华,李钢,李元.数据驱动的工业过程故障诊断技术:基于主元分析与偏最小二乘的方法M.北京:科学出版社,2 0 1 1:1 7 6.Z HOUDH,L IG,L IY.D a t a-d r i v e ni n d u s t r i a lp r o c e s sf a u l td i a g n o s i st e c h n o l o g y:b a s e do np r i n c i p a lc o m p o n e n ta n a l y s i sa n dp a r t i a l l e a s t s q u a r e sm e t h o dM.B e i j i n g:S c i e n c eP r e s s,2 0 1 1:1 7 6.2 姚羽曼,罗文嘉,戴一阳.数据驱动方法在化工过程故障诊断中的研究进展J.化工进展,2 0 2 1,4 0(4):1 7 5 5 1 7 6 4.YAOY M,L UO WJ,D A IY Y.R e s e a r c hp r o g r e s so fd a t a-d r i v e nm e t h o d s i nf a u l td i a g n o s i so fc h e m i c a lp r o c e s sJ.C h e m i c a lI n d u s t r ya n dE n g i n e e r i n gP r o g r e s s,2 0 2 1,4 0(4):1 7 5 5 1 7 6 4.3X I EY,Z HAN GT.Af a u l td i a g n o s i sa p p r o a c hu s i n gS VM w i t hd a t ad i m e n s i o nr e d u c t i o nb yP C Aa n dL D A m e t h o dC2 0 1 5C h i n e s eA u t o m a t i o nC o n g r e s s(C A C).N o v e m b e r2 7-2 9,2 0 1 5,W u h a n.I E E E,2 0 1 6:8 6 9 8 7 4.4F ANST,Z HAN GX M,S ON GZH.I m b a l a n c e ds a m p l e s e l e c t i o nw i t hd e e pr e i n f o r c e m e n t l e a r n i n g f o r f a u l t d i a g n o s i sJ.I E E ET r a n s a c t i o n so nI n d u s t r i a l I n f o r m a t i c s,2 0 2 2,1 8(4):2 5 1 8 2 5 2 7.5WAN GG,Y I NS.Q u a l i t y-r e l a t e df a u l td e t e c t i o na p p r o a c hb a s e do no r t h o g o n a ls i g n a lc o r r e c t i o na n dm o d i f i e dP L SJ.I E E ET r a n s a c t i o n so nI n d u s t r i a l I n f o r m a t i c s,2 0 1 5,1 1(2):3 9 8 4 0 5.6D ON GYN,Q I NSJ.An o v e l d y n a m i cP C Aa l g o r i t h mf o rd y n a m i cd a t am o d e l i n ga n dp r o c e s sm o n i t o r i n gJ.J o u r n a l o fP r o c e s sC o n t r o l,2 0 1 8,6 7:1 1 1.7 陈辉,周圆圆.基于P C A-B P神经网络的设备故障预测研究J.物流工程与管理,2 0 2 1,4 3(6):1 5 0 1 5 3.C HE N H,Z HOUYY.R e s e a r c ho ne q u i p m e n t f a u l tp r e d i c t i o nb a s e do nP C A-B Pn e u r a ln e t w o r kJ.L o g i s t i c sE n g i n e e r i n ga n dM a n a g e m e n t,2 0 2 1,4 3(6):1 5 0 1 5 3.8 张弛,王广民,许会博,等.基于P C A和优化参数S VM的智能变电站故障诊断方法J.计算机应用与软件,2 0 2 2,3 9(7):8 0 8 8.Z HAN GC,WAN GG M,XU H B,e ta l.F a u l td i a g n o s i sm e t h o do fs m a r ts u b s t a t i o nb a s e do nP C Aa n do p t i m i z e dp a r a m e t e rS VMJ.C o m p u t e rA p p l i c a t i o n sa n dS o f t w a r e,2 0 2 2,3 9(7):8 0 8 8.9S H I OKAWAY,D A T EY,K I KU C H I J.A p p l i c a t i o no f k e r n e l p r i n c i p a l c o m p o n e n t a n a l y s i s a n dc o m p u t a t i o n a lm a c h i n e l e a r n i n g t oe x p l o r a t i o no fm e t a b o l i t e ss t r o n g l ya s s o c i a t e dw i t hd i e tJ.S c i e n t i f i cR e p o r t s,2 0 1 8,8:3 4 2 6.1 0S OH W,K I M H,YUM BJ.A p p l i c a t i o no fk e r n e lp r i n c i p a lc o m p o n e n ta n a l y s i st o m u l t i-c h a r a c t e r i s t i cp a r a m e t e rd e s i g np r o b l e m sJ.A n n a l so fO p e r a t i o n sR e s e a r c h,2 0 1 8,2 6 3(1):6 9 9 1.1 1 黄英华,陈大伟,斯小琴,等.基于K P C A-I AOA-P NN的变压器故障诊断方法J.山西大同大学学报(自然科学版),2 0 2 2,3 8(3):1 0 1 5.HUAN GYH,C HE NDW,S IXQ,e t a l.T r a n s f o r m e r f a u l t d i a g n o s i sm e t h o db a s e do nK P C A-I AOA-P NNJ.J o u r n a l o f S h a n x iD a t o n gU n i v e r s i t y(N a t u r a lS c i e n c eE d i t i o n),2 0 2 2,3 8(3):1 0 1 5.1 2 李梦瑶,周强,于忠清.基于K P C A和优化E LM的齿轮箱故障诊断J.组合机床与自动化加工技术,2 0 2 1(4):8 7 9 0.L IM Y,Z HOU Q,YU Z Q.G e a r b o xf a u l td i a g n o s i sb a s e do nk e r n e lp r i n c i p a lc o m p o n e n ta n a l y s i sa n do p t i m i z e dE LMJ.M o d u l a rM a c h i n eT o o l&A u t o m a t i cM a n u f a c t u r i n gT e c h n i q u e,2 0 2 1(4):8 7 9 0.1 3 武文栋,施保华,郑传良,等.基于K P C A-I S S A-K E LM的光伏阵列故障诊断方法J.智慧电力,2 0 2 2,5 0(1 1):6 9 7 6.WU W D,S H IBH,Z HE N GCL,e ta l.F a u l td i a g n o s i sm e t h o do fp h o t o v o l t a i ca r r a yb a s e do nK P C A-I S S A-K E LMJ.S m a r tP o w e r,2 0 2 2,5 0(1 1):6 9 7 6.1 4J E N S S E NR.K e r n e l e n t r o p yc o m p o n e n ta n a l y s i sJ.I E E ET r a n s a c t i o n so nP a t t e r nA n a l y s i sa n d M a c h i n eI n t e l l i g e n c e,2 0 1 0,3 2(5):8 4 7 8 6 0.1 5 于健,隋丽丽,仓定帮,等.基于核熵成分分析与支持向量机组合算法的瓦斯涌出量预测模型J.数学的实践与认识,2 0 2 0,5 0(2 3):9 3 9 9.YUJ,S U ILL,C AN GDB,e t a l.G a s e m i s s i o nq u a n t i t yp r e d i c t i o nm o d e l b a s e do nk e r n e l e n t r o p yc o m p o n e n t a n a l y s i s a n ds u p p o r tv e c t o rm a c h i n ec o m b i n a t i o na l g o r i t h mJ.M a t h e m a t i c s i