A novel online process monitoring and fault diagnosis method of condenser based on kernel principle component analysis （KPCA） and Fisher discriminant analysis （FDA） is presented. The basic idea of this method is： First map data from the original space into high-dimensional feature space via nonlinear kernel function and then extract optimal feature vector and discriminant vector in feature space and calculate the Euclidean distance between feature vectors to perform process monitoring. Similar degree between the present discriminant vector and optimal discriminant vector of fault in historical dataset is used for diagnosis. The proposed method can effectively capture the nonlinear relationship among process variables. Simulating results of the turbo generator＇s fault data set prove that the proposed method is effective.
目的视频动作检测是视频理解领域的重要问题,该任务旨在定位视频中动作片段的起止时刻并预测动作类别。动作检测的关键环节包括动作模式的识别和视频内部时序关联的建立。目前主流方法往往试图设计一种普适的检测算法以定位所有类别的动作,忽略了不同类别间动作模式的巨大差异,限制了检测精度。此外,视频内部时序关联的建立对于检测精度至关重要,图卷积常用于全局时序建模,但其计算量较大。针对当前方法的不足,本文提出动作片段的逐类检测方法,并借助门控循环单元以较低的计算代价有效建立了视频内部的全局时序关联。方法动作模式识别方面,首先对视频动作进行粗略分类,然后借助多分支的逐类检测机制对每类动作进行针对性检测,通过识别视频局部特征的边界模式来定位动作边界,通过识别动作模式来评估锚框包含完整动作的概率;时序建模方面,构建了一个简洁有效的时序关联模块,利用门控循环单元建立了当前时刻与过去、未来时刻间的全局时序关联。上述创新点整合为类别敏感的全局时序关联视频动作检测方法。结果为验证本文方法的有效性,使用多种视频特征在两个公开数据集上进行实验,并与其他先进方法进行比较。在ActivityNet-1.3数据集中,该方法在双流特征下的平均mAP(mean average precision)达到35.58%,优于其他现有方法;在THUMOS-14数据集中,该方法在多种特征下的指标均取得了最佳性能。实验结果表明,类别敏感的逐类检测思路和借助门控循环单元的时序建模方法有效提升了视频动作检测精度。此外,提出的时序关联模块计算量低于使用图卷积建模的其他主流模型,且具备一定的泛化能力。结论提出了类别敏感的全局时序关联视频动作检测模型,实现了更为细化的逐类动作检测,同时借助门控循环单元设计了时序关联模块
针对化工过程数据中包含噪声和强非线性的特点,提出了基于小波去噪核主元分析(De-noised Kernel Principal Component Analysis,DKPCA)和邻近支持向量机(Proximal Support Vector Machine,PSVM)的性能监控和故障诊断新方法.将样本数据用小波方法进行去噪处理,去除数据所包含的噪声,通过KPCA将降噪后的数据进行变换,在特征空间里构建T2和Q统计量来监测是否有故障发生;若发生故障,则计算数据的非线性主元得分向量,并将其作为PSVM的输入值,通过PSVM分类来确定故障的具体类型.流化催化裂化装置(FCCU)仿真试验验证了小波去噪的必要性和利用DKPCA-PSVM进行监控和故障诊断的有效性.
