一种基于相对主元分析的故障检测方法

通过主元分析方法进行主元提取时协方差矩阵特征值有时会出现变化“均匀”缺陷，并且该方法运用于故障检测时，通常使用单一的性能指标T2指标或SPE指标作为检测判据，容易遗漏一些重要信息，降低故障的检测效果。针对这一状况，本文研究了相对主元分析方法，并且将T2指标和SPE指标有机融合成综合指标，结合TE过程进行故障检测。通过单一指标SPE—时间图和综合指标—时间图的对比，发现综合指标图比SPE图报警时间早、误报少，说明了将综合指标运用于相对主元分析方法进行故障检测的优越性及有效性。     

PCA在火箭发动机试车台传感器故障诊断中的应用

为了解决液体火箭发动机在试车过程中氢供应系统的关键传感器的故障诊断问题，该文利用主元分析（PCA）方法为几个重要传感器建立了主元分析模型。在所建立模型的基础上，根据平方预报误差（SPE）对传感器故障敏感的特点利用其进行传感器的故障检测。该文根据一种量化的指标参数——传感器有效度指标（SVI）对故障传感器进行辨识，实现故障分离。一般的基于传感器对SPE贡献率的辨识方法只能进行定性分析，而SVI则将辨识参数量化到0～1之间。更具实用价值。同时，证明了迭代收敛的重构解析表达式，去除了故障传感器数据对重构精度的影响，实现了数据重构。通过仿真实例验证了这种传感器故障诊断及重构方法的有效性．为发动机的正常试车提供了有力的保证。     

基于重构贡献的双容水箱故障诊断方法

针对流程工业过程中变量数据众多,变量间耦合性强,常规主元分析法对于故障数据的分离存在一定局限性,提出了基于主元分析和重构贡献的双容水箱系统故障检测与诊断方法,介绍了一种基于SPE和T2统计量的综合评价指标,定义了重构贡献统计量,分析了重构贡献法的故障诊断性能,利用重构贡献法与传统贡献法进行对比诊断实验研究,并验证了重构贡献法故障诊断的有效性。     

基于非线性主元分析的水轮机调节系统传感器故障诊断

利用现场的运行数据,将基于输入训练神经网络的非线性主元分析(PCA)方法应用到水轮机调节系统传感器故障诊断中,讨论了基于输入训练神经网络的非线性主元分析实现方法,建立了输入训练神经网络和反向传播网络,实现了对实测数据的重构,讨论了利用平方预测误差(SPE)进行故障检测和识别的方法,并用现场实测数据对该方法进行了仿真。仿真结果表明,该方法有效且实用。     

基于局部近邻标准化和主多项式算法的故障检测

针对工业过程的非线性和多模态特征,提出了一种基于局部近邻标准化(local neighborhood standard ization,LNS)和主多项式分析(principal polynomial analysis,PPA)结合的故障检测算法。首先,将样本数据通过局部近邻标准化(local neighbor standardization,LNS)算法,对每个样本构建k近邻数据集;然后应用k近邻数据集的均值和方差对当前样本进行标准化处理;最后使用PPA对已经标准化处理后的样本建模,计算出T2和SPE统计量,并确定控制限进行故障检测。LNS算法能够去除数据中的多模态特征,而PPA算法能够有效的处理非线性数据,因此LNS-PPA方法能够提高具有多模态非线性特征的工业过程故障检测能力。将该方法应用于多模态非线性数值例子和田纳西伊斯曼(TE)化工过程,并将测试结果与主元分析法(principal component analysis,PCA)、主多项式分析法进行对比,其结果能够有效验证LNS-PPA的优越性。     

改进PCA方法在化工过程中的故障诊断研究

为了使化工生产中复杂系统的故障判断更加精准、更加有说服力,采集系统正常工作和故障状态时的数据,运用改进的主元分析(PCA)算法判断系统是否有故障产生。改进的主元分析算法是在传统主元分析的基础上将平方预测误差SPE统计量分化成与主元显著关联的检测变量残差(PVR)统计量和其余一般变量残差(CVR)统计量,再与Hotelling’s T2统计量相配合进行系统故障的判断,使检测到的结果更加精准,生产过程更加安全。将此改进的主元分析方法运用到田纳西—伊斯曼过程中,仿真结果验证了该方法可以有效识别系统处于正常工况状态还是故障状态,是一种系统故障分析和诊断的有效方法。     

基于粒子群优化的核主元分析的故障检测方法

目的提出使用粒子群优化(PSO)方法进行核参数优化,获得混合核KPCA的故障检测方法.方法引入多项式核函数和高斯径向基核函数的混合核方法,使用PSO对各参数同时进行优化,得到最优的混合核函数,再与PCA相结合,得到基于PSO优化的KPCA.结果根据混合非线性主元特征计算出的T2和SPE统计量,实现故障检测.并且其故障检测率高于径向基KPCA,时间成本低于多项式KPCA.结论通过田纳西-伊斯曼(TE)测试过程以及电主轴系统的应用实例说明了KPCA方法的可行性与实用性.     

非高斯过程与微小故障的故障检测方法

针对生产过程中数据服从非高斯分布的故障检测问题进行了讨论,给出了一个改进的基于稀疏表示的故障检测方法,并通过构建重构误差控制限和距离控制限区间,提高了基于稀疏表示的故障检测水平;给出了在统一框架下的微小故障检测方法,并通过在微小故障字典矩阵中引入时间常数t来提高针对微小故障的检测水平;通过两例数值仿真验证了方法的有效性,并与经典的基于主元分析的故障检测方法进行了对比.结果表明,所提出的方法在上述2种情况下的故障检测水平均超过基于主元分析的故障检测水平.     

变风量空调系统传感器故障检测与诊断

在建立变风量空调系统仿真器的基础上，针对系统的温度、流量和压力传感器等进行故障的检测与诊断．提出基于主成分分析的方法，根据系统正常的历史运行数据建立数理统计模型，通过传感器实测数据与正常数据在故障子空间投影的比较，对传感器的故障进行在线检测；提出联合角度法通过比较新发故障向量与故障库中各经验故障向量在两个子空间投影的夹角，在线分离出故障源．结果表明，提出的主成分分析和联合角度的方法对于变风量空调系统传感器故障有较为准确和快速的检测和诊断效果．     

改进的非线性PCA方法及其在过程监控中的应用

针对化工聚合反应过程的特点,结合小波分解多分辨率特性和独立元分析(ICA)提取个数较少的相互独立信号的优点,改进了基于自相关神经元网络的非线性主元分析(NLPCA)方法。在传统的非线性PCA方法中引入了独立元分析模块,不仅解决了自相关神经元网络中确定各层神经元个数的问题,而且以最少的独立元个数捕捉数据的非线性特征。多尺度监控可以识别各种幅值的故障,提高了监控效果。在此基础上,计算I²、I²_e和SPE统计量用于故障检测。贡献图法用于识别故障变量。在聚酯生产过程上的仿真结果表明,改进后的方法比传统的非线性PCA方法更及时地检测到过程故障,运用贡献图可以有效地实现故障变量分离。     

一种多传感器冗余的神经网络算法研究

把传感器硬件冗余技术,BP网络以及串闻联Elman递归神经网络结合起来,提出一 各新方法用于构造具有传感器故障检测,分离且具有冗余能力的智能传感器系统,这可以减少硬件冗余技术中使用传感器的个数,消除硬件冗余技术中对冗余传感器应具有相同参数特性的要求,同时可以提高系统预报的准确性,仿真结果验证了这一方法的有效性。     

多变量过程传感器故障检测的SVM方法

提出一种适用于具有纯滞后多变量过程的传感器故障检测方法.该方法结合支持向量机回归算法与数据驱动的信息融合技术,给出一种采用广义支持向量机观测器的传感器故障检测、分离和数据恢复系统的架构.每个关键传感器都配置一个由过程输入和除被监视传感器之外的过程输出共同驱动的观测器,对传感器实际输出与观测器输出进行了比较,并对数据的有效性进行了确认.多组分精馏塔系统实验表明,该方法能够对过程传感器故障进行检测,并且具有较好的鲁棒性.     

PCA 在过程故障检测与诊断中的应用

讨论了基于主无分析（PCA）的过程故障检测与诊断的原理,运用T^2统计、Q统计方法,结合贡献图对一典型过程进行了仿真分析,结果表明PCA方法可对简单传感器故障进行检测与诊断,并指出了该方法中的不足,提出了将PCA方法同基于过程动态模型的故障诊断方法相结合的研究思路。     

基于动态MDONPE算法的间歇过程故障检测

针对间歇过程数据存在的非线性和动态特性导致故障检测效果不佳的问题,提出一种基于滑动窗(sliding window,SW)的多向差分正交邻域保持嵌入(multiway differential orthogonal neighborhood preserving embedded,MDONPE)算法.首先对间歇过程数据...     

高精度故障电弧检测多传感器数据融合算法

 由于故障电弧的物理特性复杂, 且电路中存在与故障电弧波形相似的负载, 因此传统 检测故障电弧的方法误判率较高. 提出了一种多传感器数据融合算法, 用于提高故障电弧的检测精度. 该算法包括自适应加权融合算法和神经网络融合算法, 实现了对温度传感器、声音传 感器和弧光强度传感器所获取的传感信号的数据融合. 自适应加权融合算法克服了单个传感 器的不确定性, 实现了同质传感器中故障电弧特征的提取, 为神经网络融合算法提供了精确的测试样本数据; 神经网络融合算法可自行调整各类异质传感器的权重, 使故障电弧的辨识率更高. 实验结果表明, 该算法可有效提取故障电弧的特征, 辨识精度超过98%, 实现了高精度的故障电弧检测.     

一种基于RBF神经网络的传感器故障诊断方法

针对传感器故障，提出了一种基于RBF神经网络的集成故障诊断方法，用RBF神经网络建立传感器故障模型，对系统的状态和故障参数进行在线估计，然后将故障参数与修正的Bayes分类算法（MB算法）相结合，进行传感器故障在线检测、分离和估计。对连续搅拌釜式反应器（CSTR）的仿真结果表明，该集成故障诊断方法能够对多重传感器进行故障进行快速准确的分离和估计，并对传感器故障具有容错性。     

一类多变量传感器故障容错PID控制器的设计与应用

针对一类多变量非线性系统的传感器故障,提出了一种新型的基于神经网络模型的故障容错PID控制方法.该方法应用加权移动平均残差技术对传感器故障进行检测,并利用神经网络建模技术在线重构故障传感器信号,重组PID控制器反馈回路,实现容错PID控制.通过在三水箱过程设立多种不同类型的传感器故障,进行仿真研究.仿真研究结果表明,所提出的故障检测与容错控制策略具有很强的鲁棒性和容错能力.     

KPCA在凿岩台车控制系统传感器故障诊断中的应用

传感器状态对于凿岩台车的作业有着极其重要的影响,对其展开故障诊断十分必要.核主成分分析(KPCA)方法通过集成算子与非线性核函数计算高维特征空间的主元成分,有效捕捉过程变量中的非线性关系,将其用于传感器4种常见故障的诊断,先用Q统计量进行故障监测,再用T2贡献量百分比变化来识别故障.仿真和实际应用结果表明:KPCA方法具有很好的故障监测与诊断能力.