摘要
在分布式控制系统（DCS）中，传统的故障检测方法依赖于人工检查或基于模型的技术，这些方法不仅耗时，而且在处理复杂的工业数据时效果不佳。虽然支持向量机（SVM）提供了有希望的替代方案，但其在工业环境中的实际应用却受到两个根本性问题的限制：需要大量的标记数据集，以及容易过拟合的问题。本文介绍了一种名为功率支持向量机（PSVM）的新颖集成算法，该算法能够确定最优的训练数据集，并识别出过拟合的阈值。PSVM采用三阶段机制：首先，使用立方型SVM、二次型SVM和K最近邻算法在初始的10%数据集上训练三个互补的分类器；其次，将这三种方法都误分类的样本加入进来，从而实现快速收敛；最后，通过监测各次迭代中的准确率变化来确定过拟合阈值。PSVM通过开放平台通信协议在一家天然气精炼厂的DCS系统中得到了实现，同时也在干豆数据集（13,611个样本，7个类别，数据不平衡比例为6.8:1）上进行了验证。在天然气精炼厂中，PSVM的故障检测准确率为99.8%（95%置信区间：[99.2%，100%]），显著优于传统SVM的94.8%（p?
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知竞争性财务利益或个人关系。
同行评审情况
为保证透明度，与本文相关的同行评审文件可在https://doi.org/10.1002/cjce.70496处查看。
| 第二轮评审 | |
| 编辑决策函 | 2026/05/19 |
| 第一轮评审 | |
| 编辑决策函 | 2026/01/22 |
| 审稿人1的报告 | 2026/01/22 |
| 审稿人1的报告附件1 | 2026/01/22 |
数据可用性声明
本研究的相关数据，如需获取，可向通讯作者提出合理请求。
