一种改进的CSCA+PCA化工过程异常检测技术

为了解决化工过程异常检测时因参数众多且数据庞杂而导致一些异常无法被有效检出的问题,在Brownlee的克隆选择分类算法(CSCA)基础上,通过引入主成分分析(PCA)技术,进行数据降维和数据重整,探讨了人工免疫算法在化工过程异常检测中的适用效果和技术方案,以TE过程数据作为样本进行异常检测和分类实验。结果表明,过程异常数据的规模、属性的数目对CSCA异常检测效果具有明显影响,而通过主成分分析进行数据降维之后,CSCA检测效果有所提高;进一步的数据重整之后,CSCA对过程异常分类辨识的准确率可提升到85%以上;基于CSCA+PCA的数据降维及重构之后的过程异常检测技术方案,可以获得较高的异常检测准确率,从而一定程度上为化工过程安全运行提供技术保障。