《表3 误判案例分析：基于核主成分分析的油色谱在线监测装置异常状态快速辨识》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于核主成分分析的油色谱在线监测装置异常状态快速辨识》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

利用Matlab编制油色谱在线监测装置异常快速识别方法，提取677台油色谱监测装置（包括68台失效监测装置）1年历史在线数据共计19万条。将数据按月划分为12份，前1个月30天数据作为训练集，评估后1个月数据。选取高斯径向基核函数，计算核矩阵每台色谱监测设备核主元个数，主成分及残差空间分解，求取控制限aT2和Qa，提取异常数据区间进行特征识别，识别结果如表3。226台设备出现aT2和Qa同时越限的异常378次，其中包括129台装置出现241次短时扰动，判定97台出现不可恢复扰动的装置存在异常，根据《无效油色谱监测装置的识别和数据清理报告》，有效识别68台存在老化、劣化及干扰引起的不可逆异常的故障监测装置，但29台正常装置被误判为异常，准确率95.7%，相比于多判据融合方法96.7%准确率相差不大。统计装置误判原因如表3，误判均由噪声干扰引起。为避免漏判，阈值设定较为严格，当出现强干扰时会引起数据突变，导致单次数据超过设定阈值，引起8台装置阈值判据的误判。由于数据存在较强噪声干扰，导致计算初始偏移率、末端偏移率及均值时出现偏差时，KPCA识别异常区间特征气体偏移率之积为负，21台设备被误判为不可恢复异常。综上，干扰及噪声是引起误判的主要原因，但总体误判率仅为4.3%，小于5%，在可接受的范围内。为进一步提高算法的准确率，加强噪声下特征识别的抗干扰能力是今后的研究方向。