主元分析及数据重构在过程监控中的应用

利用主元分析方法，通过矩阵运算、降低维数以提取过程变量的主要特征，实现对工艺数据的压缩，既可解决过程变量间的相关问题，同时还有清除测量噪声的效果．化工吸附分离过程监控的应用实例表明，主要过程变量可由15个缩减为6个，累积解释程度为98%．     

智能数据预处理在浮选过程中的应用

针对反浮选过程的被控对象复杂、数学模型不确定以及控制要求高等特点，提出一种基于主元分析和模糊聚类的数据预处理算法。采用模糊C均值聚类算法得到聚类中心，进行线形回归从而对过程变量数据进行了预处理。主元分析法则用采进行辅助变量的选取和输入高维向量的降维简化．针对主元变量采用径向基函数网络建立了系统经济技术指标的预测模型。根据工业实际生产数据进行的模型校验和误差分析表明，能够满足浮选过程控制的精度要求。     

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。     

分批发酵过程统计监控和质量评估

基于多向主元分析，对赖氨酸分批发酵过程进行了在线统计监控的仿真研究，详细介绍了多向主元分析运用于间歇过程的操作程序，并提出了离线质量评估方法．仿真结果表明，该方法可有效判断过程运行状态，并能对产品质量做出正确的评估。     

多变量轨迹分析的过程故障检测方法

为了解决实际工业过程中的多变量动态过程监测问题,提出了一种基于多变量轨迹分析和主元分析的在线故障检测方法。通过构造过程轨迹向量实现了多变量动态信息的提取,结合主元分析算法对模型进行了改进,利用改进模型充分分析了过程数据的变化特征,同时将关键变量的轨迹趋势图作为参考实现了离线建模和在线故障检测。与传统的基于轨迹分析的方法相比,所提方法克服了变量个数限制,解决了统计量难以设计的问题,提取了过程动态特性,实现了更为可靠的动态过程监测。通过某企业合成氨生产中转化单元的实例验证表明,所提方法在处理多变量动态过程的故障检测问题上效果良好。     

基于核状态空间ICA的非线性动态过程故障检测方法

针对工业过程的非线性和动态特性,提出一种基于核状态空间独立元分析的故障检测方法.采用核规范变量分析法将非线性动态过程数据映射到核状态空间,得到去相关的状态数据.对状态数据的各时延协方差矩阵进行加权求和得到状态数据的时序结构矩阵,进而建立ICA统计模型,从状态数据中提取独立元特征数据,并构造监控统计量检测过程故障.在Tennessee Eastman过程上的故障检测结果表明,相比于传统的基于动态核主元分析的故障检测方法,该方法更加灵敏地检测到故障的发生,提高故障检测率.     

动态可调主元分析的多元自相关质量控制方法

为解决在复杂产品制造过程中由多元质量数据自相关引起的大量虚发报警问题,以提高产品制造过程中监测的准确性,提出了一种动态可调的主元分析(DRPCA)方法.通过对主元分析方法引入折息因子,构建了多个参数可调的动态主元分析(PCA)算法.利用实验数据计算各变量的特征值和贡献率,来确定主元个数,降低多元自相关过程的计算复杂度,消除数据间的自相关.根据计算的各变量的每个主元负荷值来确定主导变量,结合多变量控制图和主导变量控制图,对多元自相关制造过程进行了实时监测.研究结果表明:DRPCA方法不仅能够消除数据间的自相关,减少制造过程中的虚发报警,而且可以准确地检测出制造过程中的异常变量.     

基于Matlab的多尺度主元分析在过程监控中应用

提出一种新的基于Matlab的多尺度主元分析方法(MSPCA)，即综合主元分析去除变量间关联、小波分析提取测量决定性特征和可去除测量自相关性的优势，用于多变量统计过程的监控，用MSPCA进行过程监控，不仅能提高侦察决定性交化的能力，而且能提高自相关测量监控的效率，同时还可以提取反常操作特征信号，算例测试表明，与普通PCA方法相比，MSPCA方法在过程监控中比较有效。     

智能数据预处理在浮选过程中的应用

针对反浮选过程的被控对象复杂、数学模型不确定以及控制要求高等特点,提出一种基于主元分析和模糊聚类的数据预处理算法.采用模糊C均值聚类算法得到聚类中心,进行线形回归从而对过程变量数据进行了预处理.主元分析法则用来进行辅助变量的选取和输入高维向量的降维简化,针对主元变量采用径向基函数网络建立了系统经济技术指标的预测模型.根据工业实际生产数据进行的模型校验和误差分析表明,能够满足浮选过程控制的精度要求.     

MSPCA在流向变换催化燃烧过程监测中的应用

针对PCA单尺度建模的局限性,综合应用小波分析和主元分析PCA,将小波分析提取变量局部特征的能力及主元分析分解变量线性关系的优势结合起来,引进新的多元统计过程监测工具MSPCA,并将其应用于温度周期化的流向变换催化燃烧过程。研究表明,与PCA相比利用MSPCA可以更有效地监测到过程的异常状况。     

基于CHMM的TE过程在线故障检测

随着工业过程的规模和复杂程度的增加,对于过程安全性和可靠性的要求进一步提高.为了准确及时地检测设备故障,提出了一种基于连续隐马尔可夫模型(CHMM)的在线故障检测方法.采用主元分析(PCA)方法对过程变量数据进行特征提取,利用变长度滑动窗口技术跟踪动态数据,并提出了一个新的实时统计量作为在线故障检测的量化指标,结合实时阈值实现了CHMM的在线故障检测.将该方法应用于田纳西-伊斯曼(TE)化工过程,并与基于PCA和动态主元分析(DPCA)方法的故障检测结果进行比较,能够较准确地检测到故障,验证了该方法的有效性.     

基于海林格距离加权关键主元的流程工业故障检测研究

在采用主成分分析（principal component analysis,PCA）算法进行故障检测时,主元的选取及处理直接影响其故障检测的表现。对此,提出一种基于全变量表达（full variable expression,FVE）和海林格距离（Hellinger distance,HD）的故障检测方法。首先,利用FVE得到所有关键主元,即保留所有变量信息;然后考虑到与故障相关主元的重要性,定义基于海林格距离的变化率,用来衡量正常工况下主元与异常工况下主元的差异;对与故障发生更相关的主元进行加权,以突出与故障相关主元对于后续故障检测的影响;最后,考虑到降维后数据通常服从非高斯分布,利用改进的局部离群因子（local outlier factor,LOF）构建统计量,其相应控制限通过核密度估计（kernel density estimation,KDE）确定。数值实例及带钢热连轧实际生产数据验证了所提方法的有效性与优越性。     

基于PCA-BLS的三相整流装置故障诊断

针对三相整流装置突发故障时,检测复杂及诊断困难的问题,以三相桥式全控整流电路为研究对象,提出一种基于主元分析和宽度学习系统的故障诊断方法.提取负载输出电压为特征向量,经主元分析,对特征矩阵降维,消除数据相关性,保留数据基本特征;选择合适的初始参数,输入到宽度学习系统的网络中,构建故障诊断模型,对故障进行诊断.对比实验表...     

基于核独立元分析的非线性工业过程故障诊断

复杂工业过程的数据具有非高斯、非线性特性,在进行故障检测时,利用核独立元分析(kernel independent component analysis, KICA)方法能有效解决这一问题。然而,由于在处理数据时使用了核函数,无法将线性的贡献图方法直接用于故障诊断,因此采用一种基于改进KICA结合非线性贡献图的方法,对非线性工业过程进行故障检测与诊断。该方法利用基于超松弛因子的FastKICA方法建立监控模型,得到检测故障信息。在发生故障后,通过非线性贡献图法诊断故障变量。最后,选用带钢热连轧工业过程实测数据进行仿真,通过与传统贡献图方法比较,结果表明此方法能够对非线性数据进行有效可靠的故障检测和故障诊断,验证了非线性贡献图的有效性。     

卷取张力控制过程的故障诊断

在冶金工业生产中,带材的卷取过程会直接影响产品的最终质量.卷取张力是保证卷取过程稳定的重要因素.因此卷取张力控制过程的故障诊断具有现实意义.采用偏最小二乘（Partial Least Squares,PLS）对卷取张力控制过程的故障进行诊断.PLS是一种利用统计原理提取过程数据中的有用信息建立过程模型的降维技术.它不仅可以完成数据降维和特征提取,还考虑了输入、输出数据之间的回归关系.通过PLS分解可以降低空间的维数,使提取的主元具有变化度和可区分性,最后根据T²和Q统计量实现故障检测,通过累计贡献图实现故障识别.仿真结果验证了方法的可行性.     

基于动态加权差分主成分分析的故障检测

针对工业过程中存在的动态特性和多模态特性问题,提出一种动态加权差分主成分分析法(dynamic weighted differential principal component analysis,DWDPCA)。首先通过设置合理的时间窗描述系统的时序特性;其次对时间窗内的样本寻找第一近邻和第一近邻的近邻集,使用加权差分法对数据进行处理,解决数据中心漂移问题;最后利用处理好的数据建立主成分分析(principal component analysis,PCA)模型进行故障检测。该方法可解决数据动态、中心漂移问题。使用该方法对数值例子和TE(tennessee eastman)过程进行故障检测验证所提出方法的有效性。     

基于主成分分析法的变风量空调系统传感器故障诊断

在已经建立的建筑空调系统仿真器的基础上,针对变风量（VAV）空调系统的传感器故障,提出一种基于主成分分析（PCA）和法则相结合的传感器故障诊断方法。建立了PCA模型,将由传感器测量值所组成的测量空间分解为主成分和残差两个子空间,进行故障检测后再由基于法则的策略进行故障重构。仿真试验表明,该方法不仅能够准确地检测并隔离传感器故障,而且可以初步地进行故障重构,为进一步研究传感器的故障诊断提供了必要的基础。     

基于故障重构的PCA模型主元数的确定

基于故障重构理论研究了PCA模型主元数的确定方法,应用累积方差贡献率以及复相关系数对主元模型性能进行分析·在基于PCA理论进行故障诊断中,故障变量可根据故障的方向向量进行重构,未重构方差(VRE)可分别投影于主元子空间(PCS)和残差子空间(RS)·确定最优重构是使两空间的VRE之和达到最小,与此相对应的主元数即为最优主元数(PCs)·应用累积方差贡献率以及复相关系数对主元模型性能进行评价,结果表明确定的PCA模型PCs保证了PCS中的信息存量·对于工业PVC聚合反应过程的故障诊断说明了上述方法的合理性与有效性·     

基于DDNPE算法的间歇过程故障诊断

针对邻域保持嵌入(NPE)算法只通过欧氏距离挑选近邻带来的特征提取不充分导致故障诊断效果不佳的问题,将扩散距离(DD)与NPE算法相结合,提出了一种基于扩散距离的邻域保持嵌入(DDNPE)算法的故障诊断新方法.该方法首先发掘嵌入在原始高维数据的内在流行结构,进行数据降维,然后通过学习原始数据的潜在几何结构提取本征信息,并保持数据流行上的局部结构不变,避免了NPE算法只通过欧式距离挑选邻域带来的特征提取不充分的问题,最后利用T²和SPE统计量检测故障,并用变量贡献图法诊断出故障变量.通过青霉素发酵过程仿真结果验证了所提方法的有效性.