基于多阶段ICA-SVDD的间歇过程故障监测

针对间歇生产过程数据存在的多阶段和非高斯性等特征,提出一种改进的阶段划分和故障监测方法。首先根据各个时间片的相似度和K均值算法进行阶段划分,然后利用独立成分分析(ICA)方法分别提取出各阶段的非高斯特征信息。最后,引入支持向量数据描述(SVDD)算法对独立成分和剩余的高斯残差空间分别建立统计分析模型,实现间歇过程故障的在线监测。通过半导体蚀刻过程故障监测应用实例,验证了该文方法的可行性和有效性。     

基于PCA-SVDD的冷水机组故障检测方法

分析了基于PCA-SVDD方法的冷水机组故障检测效率,结合PCA和SVDD方法的优点,提出了一种基于PCA-SVDD的冷水机组故障检测方法.通过PCA将正常数据所在的测量空间分解为主元子空间和残差子空间,取正常数据的残差子空间得分矩阵作为目标类数据建立SVDD模型,利用RP-1043中冷水机组实验数据验证故障检测性能,并与传统PCA和SVDD冷水机组故障检测结果进行对比.结果表明:PCA-SVDD方法可用于冷水机组故障检测,进一步提高了故障检测能力,且故障检测结果整体优于传统SVDD和PCA方法;用于冷水机组常见的故障检测,获得了较高的冷水机组故障检测效率.此方法有利于及早发现故障,减少损失,对小幅故障检测效率的提高尤为明显.     

基于对数变换和最大信息系数PCA的过程监测

主元分析(principal component analysis,PCA)被广泛应用于工业生产过程监测。PCA假设数据服从高斯分布且协方差矩阵仅能评估变量间的线性关系,无法衡量变量间非线性依赖程度。基于此,提出了一种基于对数变换和最大信息系数(maximal information coefficient,MIC)PCA的过程监测方法。首先,应用对数变换对过程数据进行变换,在一定程度上改善数据分布。然后,采用可以度量变量间的非线性相关性的MIC矩阵替换协方差矩阵,从而改善对非线性非高斯过程的监测效果。最后通过在田纳西-伊斯曼过程(tennessee eastman process,TE)仿真研究验证了该方法的可行性和有效性。     

基于ICA-PCA和Lasso的过程故障诊断

为了解决复杂工业过程中变量多,难以判断引起故障的主要异常变量的问题,提出一种基于ICA-PCA(独立成分分析和主成分分析)算法和Lasso(最小绝对收缩和选择算子)回归算法的过程故障检测与诊断的集成模型.首先,建立ICA-PCA模型提取数据的高斯信号和非高斯信号,构造相关统计量实现在线故障检测;然后,基于ICA-PCA模型获得的过程状态及故障信息,进一步构造基于Lasso回归算法的故障诊断模型,实现故障发生时的主要异常变量的定位和选择;最后,利用Matlab进行了TE(田纳西-伊斯曼)过程的数值仿真实验,并与已有故障诊断方法分布式PCA贡献图法进行比较,结果表明所提出的方法是有效的.     

基于WMNPE间歇过程监测的改进SVDD算法

间歇过程数据包含表征过程变化的相关信息和非相关信息,并且呈现高斯与非高斯的多分布等特点.为了更加充分地提取数据的有用信息和处理数据的非高斯性等问题,实现有效的过程监控,提出一种基于WMNPE间歇过程监测的改进SVDD算法.首先运用多向邻域保持嵌入(MNPE)算法来提取低维子流形以实现降维;再使用概率权值策略来提取表征过程变化的相关信息,通过Greedy方法提取低维子流形的特征样本;最后以支持向量数据描述(SVDD)方法建立监控模型进行监控.通过青霉素发酵过程仿真平台验证了所提算法的有效性.     

基于SVDD时段细化的间歇过程故障监控

针对多向主元分析(MPCA)在间歇过程故障监测应用中经常面临的分段不准确问题,提出了一种新的基于支持向量数据描述(SVDD)的两步分段方法,从而提高分段的准确性和故障监测精度。第一步分段采用机理知识与现场数据相结合的思想,对MPCA模型的负载矩阵进行修正。将采样时间引入负载矩阵中,增大模型差异性,从而避免了故障数据导致的分段错误。第二步利用支持向量数据描述方法将初步划分的各子时段进一步细分,严格区分各子时段中的稳定与过渡时段,进一步提高分段的准确性。同时,给出基于上述分段技术的间歇过程在线故障监测算法,可以实时地监测现场数据。最后将该方法应用于青霉素间歇过程的在线监测,结果表明:该方法能够细致刻画过渡过程信息,比常规MPCA方法能够更早地检测出故障,并避免了误报。     

基于DW-ICA-SVM的工业过程故障检测算法

为了有效提高支持向量机(SVM)算法的故障检测和监视性能,提出一种新的基于DW-ICA-SVM的工业过程故障检测算法。首先,对训练数据进行标准化,运用独立元分析(ICA)获取数据的独立元矩阵,提取隐藏的非高斯信息。其次,运用杜宾-瓦特森(Durbin-Watson, DW)准则计算独立元(ICs)的DW值,通过DW方法有效提取重要噪声信息,选取重要的ICs。再次,将包含重要信息的ICs作为SVM模型的输入,获得判别分类函数,将测试数据的ICs输入该模型,对其进行故障检测和监视。最后,将新算法运用于非线性数值例子和田纳西-伊斯曼工业过程,并与PCA,LPP,ICA,SVM和ICA-SVM方法进行比较。结果表明,所提方法降低了样本间的自相关性,有效提高了故障检测率。因此,新算法在一定程度上加强了对隐藏非高斯信息的提取与识别,为提高SVM算法在工业过程故障检测中的应用性能提供了参考。     

基于残差自然幂法的增量线性判别分析方法

提出了将增量线性判别分析问题(LDA)转化为两个增量主元分析(PCA)问题的算法框架.为加速算法的收敛速度,推导了增量LDA中训练样本的类内离散度矩阵和协方差矩阵的无损实时更新公式,并在此基础上提出了一种基于残差协方差矩阵的自然幂增量PCA算法.将该增量PCA方法与基于双PCA结构的增量LDA算法框架相结合,实现了数据...     

基于数据特性分析的多变量过程监测

以PCA,ICA为代表的多元统计监测方法总是基于各种各样的前提假设,如果不考虑它们的适用条件盲目选择监测算法,则可能给出错误结论,增加故障误报漏报的概率.针对理论方法在应用时面临的条件限制问题,在无先验知识的情况下,提出一种数据特性的分析方法,通过参数寻优并逐步剔除线性相关变量组的方法,实现多变量过程线性非线性的自动判别.仿真分析表明所提方法可以根据数据特点及各算法的适用条件自动选择适当的监测算法,具有一定的实用价值.     

基于多阶段多核支持向量数据描述的间歇过程监控方法

针对间歇过程数据的多阶段特性及复杂非线性特性,提出一种基于多阶段多核支持向量数据描述(MPMK-SVDD)的间歇过程故障检测方法。为充分挖掘间歇过程数据的多阶段信息,首先提出一种基于互信息相似矩阵的改进谱聚类方法,解决间歇过程数据集的多阶段划分问题。进一步考虑到单一核函数难以充分描述过程数据的复杂非线性问题,设计一种基于多重核函数和核参数的SVDD监控模型,并通过贝叶斯推理构造全局监测统计量,以实现过程故障的有效监控。以青霉素发酵过程为仿真研究对象,验证方法的有效性。结果表明,提出的方法比传统的SVDD方法能更有效地检测过程故障,具有更高的故障检出率。     

一种改进的主成分分析特征抽取算法:YJ-MICPCA

针对主成分分析(PCA)假设数据服从高斯分布的条件以及只能处理特征之间线性关系的不足,提出一种基于Yeo-Johnson变换和最大信息系数(MIC)的PCA特征抽取算法,命名为YJ-MICPCA。通过YeoJohnson变换改善原始数据分布,使其近似服从高斯分布,并将PCA中计算协方差矩阵转化为计算MIC矩阵的平方,使其也能处理特征间存在的非线性关系。以UCI机器学习数据库中的11个数据集为实验对象,采用支持向量机、朴素贝叶斯模型、k近邻算法这3种分类器,比较了YJ-MICPCA与PCA及其他常用非线性降维方法LLE、Isomap、MSD、KPCA的降维效果和分类精度,结果表明YJ-MICPCA总体上优于其他几种算法。     

基于组合模型的主元分析预测监控方法

传统的基于主元分析（PCA）的过程监控技术可以对工业过程当前的状况进行监控，但难以预测系统未来的运行情况。本文在PCA监控方法的基础上建立预测模型，首先根据历史数据建立PCA的综合监控统计量模型，其次结合k邻近（k-NN）的最小二乘支持向量机（LSSVM）和灰色理论（GM（1,1））技术建立在线组合预测模型，实现对工业过程运行状态的预测。利用组合模型对一个多变量动态过程实例进行仿真，将预测效果与k-NN的LSSVM以及GM(1,1)各自单独的预测效果作比较，验证了所提方法在长期预测方面的准确性，表明基于组合模型的PCA预测监控方法特别适用于对缓慢漂移故障的长期预测。     

基于密度峰值聚类的高斯混合模型核电运行工况划分

核电厂运行数据记录了核电厂的运行状态,对核电数据进行处理分析从而完成准确的工况划分是实现核电厂运行状态监测的重要基础。为提高核电厂的运行工况划分准确性,本文提出了基于密度峰值聚类的高斯混合模型对核电厂的运行工况进行划分。首先,采用PCA（主成分分析）算法进行数据降维,然后利用密度峰值聚类算法中的决策图确定工况个数,最后利用高斯混合模型完成工况划分。基于真实的核电厂运行数据开展工况划分实验。实验结果表明,本文提出的方法能合理有效地划分出核电运行工况,其三类工况的划分准确率分别达到了99.29%、100%、97.57%,且错误率仅为1.25%。     

基于非负矩阵分解的流程工业过程监控方法

提出了一种新的基于非负矩阵分解(NMF)的过程监控方法.考虑到数据的某些局部特征能够包含许多重要信息,有助于对异常情况进行检测,将NMF引入工业过程监控领域,并详述了基于NMF的过程监控方法.基于TE过程的仿真实验验证了该方法的有效性.     

基于邻域保持嵌入-主成分分析的高压电缆状态数据异常检测及分析

为发现高压电缆异常状态并及时地发出异常告警,提出了一种基于邻域保持嵌入(neighborhood preserving embedding,NPE)和主成分分析(principal component analysis,PCA)的高压电缆异常状态检测方法。针对PCA只能保留数据全局结构信息的缺陷,提出将流形学习算法NPE与PCA结合,从而实现数据全局和局部特征信息的全方面提取;然后利用T2和SPE统计量作为电缆状态特征量,其控制限作为状态异常阈值判据,并推导出不同异常状态特征指标的贡献度,确定高压电缆主要异常指标;接着通过计算高压电缆各分段统计量的值,确定电缆异常区域;最后利用广东珠海供电局辖区内220 k V高压电缆统计资料验证所提策略的正确性。     

Combination Method of Principal Component Analysis and Support Vector Machine for On-line Process Monitoring and Fault Diagnosis

IntroductionOn-line process monitoring and fault diagnosis are keyfactor to ensure product quality and operation safety .Inlastdecade research, the approach of fault detection anddiagnosis could be classified into three categories[1 ,2]:methods based on causal models , methods based onknowledge and methods based on multivariate statistics .Forthe model method ,it is difficult toidentify model parametersand esti mate model states , especially for complex chemicalprocess ; whereas for knowledge …     

一种多向CPLS方法及其在间歇过程监控中的应用

将并行偏最小二乘（CPLS）算法引入到间歇过程监控中,提出一种多向并行偏最小二乘（MCPLS）监控方法.CPLS算法可以提取过程变量与质量变量的相关信息,也能对彼此不相关的信息进行主元提取.与基于PLS的监控方法不同,基于CPLS的过程监控方法提供了一个完整的监控框架,不仅能够监控过程变量,而且也能监控质量变量的信息,更好地反映了过程的运行状态.文中首先将间歇过程三维数据转换为二维数据,然后应用CPLS算法建立过程监控模型,构建T2c,T2x,Qx,T2y,Qy监控指标,并通过间歇过程批次间的统计特性计算出监控指标控制限,分别监控过程变量与质量变量的相关信息、彼此无关信息以及残差信号等.最后将MCPLS算法应用到青霉素发酵过程的监控中,应用结果表明了该方法在间歇过程监控中的有效性和优越性.