基于FRICA算法的非高斯过程故障检测方法

独立元分析(ICA)是一种有效的非高斯过程故障检测方法,但其建模过程仅仅使用正常工况数据,忽视了对先验故障工况数据的利用.针对此问题,提出了一种基于故障相关ICA(FRICA)算法的故障检测方法.该方法使用ICA算法提取正常工况数据中的非高斯特征成分;再将正常工况数据集和先验故障工况数据集融合在一起构成多工况数据集,利用非局部保持投影进行二次特征提取,获得故障判别成分;在两种特征成分的基础上构造新的监控统计量,并利用核密度估计得到相应的置信限,完成对实时数据的监控.连续搅拌反应釜(CSTR)系统的监控仿真结果表明:与基本ICA方法相比,FRICA方法能更有效地检测出过程故障.     

基于ICA和相似因数的间歇过程故障诊断

多向主元分析(MPCA)是间歇过程最常用的监控方法,但缺点是需要对未来测量值进行估计。针对这一问题,提出了基于不同展开方式上的独立元分析(ICA)的在线监控方法。在测量数据含有非高斯潜隐变量的情况下,ICA是比PCA更有效的特征提取算法。获得独立元(ICs)后,将一种新的基于ICA的混合相似因数分析用于间歇过程的故障诊断中。通过在青霉素生产过程的成功应用,验证了所提出方法的可行性和有效性,具有比较好的监测效果及满意的故障识别能力。     

独立分量分析和流形学习在VSC-HVDC系统故障诊断中的应用

提出一种基于独立分量分析(ICA)和局部线性嵌入流形学习算法(LLE)的新型高压直流输电(VSC-HVDC)系统故障诊断方法.由于随机噪声的干扰,单个传感器测得的系统故障信号无法直接用于故障检测,故使用快速ICA对多通道传感器测得的直流电压和电流信号进行盲源分离处理以恢复去噪的系统故障源信号;然后利用LLE挖掘潜藏于恢复信号中的子流形,提取故障敏感特征;最后将LLE提取的故障特征量作为支持向量机(SVM)的输入,建立系统故障诊断模型.通过对系统交流相对相故障、交流相对地故障以及复合故障等仿真信号进行分析,表明所提出的ICA-LLE方法能够有效地提取故障关键特征,并在3维空间将故障特征隔离,从而得到满意的SVM故障识别效果,且SVM分类精度比只使用LLE提高了近20%.     

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。     

基于动态独立成分的单类支持向量机方法及其在故障诊断中的应用

针对工业过程故障诊断中数据的动态性、非高斯性和非线性特点,提出一种基于动态独立成分的单类支持向量机(OCSVM)方法。为了分析数据的动态特性和非高斯性,应用动态独立成分分析(DICA)方法提取数据变量中的动态独立成分作为特征信息,基于特征信息建立OCSVM模型并构造非线性监控统计量。检测到故障后,计算故障数据与故障模式数据决策超平面的相似度,通过相似度分析识别故障模式。在Tennessee Eastman基准过程上的仿真结果表明,提出的方法能够比单类支持向量机更有效地检测过程故障,并且能够正确识别故障模式。     

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.     

间歇过程在线检测的核独立元分析及局部建模方法

针对间歇过程所具有的非线性特点,提出了一种基于核独立元分析(Kernel ICA)及局部建模的在线故障检测策略.将展开的高维历史数据按时间间隔划分,应用Kernel ICA算法对每一个时间间隔点的分数据块提取独立主成分,构造检测统计量,并用非参数估计方法确定其控制限.这种建模方法机理简单,而且不需要预测过程未知的测量数据.通过对DuPont间歇聚合过程的仿真,验证了所提出方法的有效性和准确性.     

基于时序结构KICA和OCSVM的过程故障检测方法

核独立元分析故障检测方法中,快速独立元分析法易受分离矩阵初值影响且没有考虑数据的时序结构信息,Mahalanobis距离型监控量会导致故障检测率的降低。针对以上问题,提出基于时序结构核独立元分析和单类支持向量机的故障检测方法,将核独立元求解问题转化为核白化数据时延协方差矩阵加权和的特征值分解问题,采用提取的独立元建立单类支持向量机统计模型,构造监控统计量来检测过程故障。独立元信号提取实验和田纳西-伊斯曼(TE)过程故障检测实验表明:所提方法能够有效利用数据的时序结构信息,避免分离矩阵初值对独立元提取的影响,能够有效缩短故障检测的延迟时间,提高故障检测率。     

基于CVA-ICA与CSM的故障诊断方法

针对工业过程的故障诊断问题,提出了一种基于规范变量分析与独立元分析(CVA-ICA)的动态过程故障检测方法,在此基础上,结合连续字符串匹配(CSM)算法,提出了一种改进的基于完备故障库的故障诊断算法.该算法首先用CVA方法求出观测数据的规范变量,然后对规范变量进行ICA分解,最后运用CSM算法对ICA分解后的数据进行故障诊断.通过对TE过程的仿真研究,验证了所提出的改进算法的可行性与有效性.     

EMD与ICA相结合的复杂转子系统早期故障诊断

为了提取复杂转子系统微弱故障信息,对其早期故障进行预知诊断,针对某型涡桨发动机的减速器传动机构接连发生的齿轮毂裂纹故障问题,通过布置多组加速度传感器对多组正常齿轮毂和预制早期裂纹故障的齿轮毂进行正常试车下的振动信号采集。采用EMD(empirical mode decomposition)方法把测试信号分解成多个IMF分量,选取合适IMF分量利用基于非高斯性极大的ICA(independent component analysis)固定点算法进行混合再分离,得到了信息较为独立的特征分量。通过对特征分量进行解调分析得到能清晰反应故障状态的调制信号信息。结果表明基于EMD与ICA相结合的特征信号分离提取技术加包络解调法能有效地识别复杂转子系统早期故障信息。     

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.     

Process Monitoring Based on Independent Component Contribution

Independent component analysis( ICA) has been widely applied to the monitoring of non-Gaussian processes. Despite lots of applications,there is no universally accepted criterion to select the dominant independent components( ICs). Moreover, how to determine the number of dominant ICs is still an open question. To further address this issue,a novel process monitoring based on IC contribution( ICC) is proposed from the perspective of information storage. Based on the ICC with each variable,the dominant ICs can be obtained and the number of dominant ICs is determined objectively. To further preserve the process information, the remaining ICs are not useless. As a result,all the ICs are regarded to be divided into dominant and residual subspaces. The monitoring models are established respectively in each subspace, and then Bayesian inference is applied to integrating monitoring results of the two subspaces. Finally, the feasibility and effectiveness of the proposed method are illustrated through a numerical example and the Tennessee Eastman process.     

基于ICA过程监控方法的研究

针对目前实际工业生产中变量不能严格服从高斯分布,且变量之间存有严重相关性的特点,进行了基于独立成分分析的过程监控方法研究。该方法不仅去除了变量之间的相关性,而且充分利用过程信息的高阶统计特性,建立过程信息的独立元模型。利用独立元模型对仿真实时数据进行故障检测研究,最后对离散系统多变量过程模型进行了仿真验证,仿真结果表明:该方法能快速准确的检测到运行中发生的异常,验证了该方法的有效性以及与PCA方法相比所存在的优越性。     

Nonlinear Statistical Process Monitoring and Fault Detection Using Kernel ICA

A novel nonlinear process monitoring and fault detection method based on kernel independent component analysis (ICA) is proposed. The kernel ICA method is a two-phase algorithm: whitened kernel principal component (KPCA) plus ICA. KPCA spheres data and makes the data structure become as linearly separable as possible by virtue of an implicit nonlinear mapping determined by kernel. ICA seeks the projection directions in the KPCA whitened space, making the distribution of the projected data as non-gaussian as possible. The application to the fluid catalytic cracking unit (FCCU) simulated process indicates that the proposed process monitoring method based on kernel ICA can effectively capture the nonlinear relationship in process variables. Its performance significantly outperforms monitoring method based on ICA or KPCA.     

Application of Kernel Independent Component Analysis for Multivariate Statistical Process Monitoring

In this research,a new fault detection method based on kernel independent component analysis (kernel ICA) is developed.Kernel ICA is an improvement of independent component analysis (ICA),and is different from kernel principal component analysis (KPCA) proposed for nonlinear process monitoring.The basic idea of our approach is to use the kernel ICA to extract independent components efficiently and to combine the selected essential independent components with process monitoring techniques.I2 (the sum of the ...     

基于小波分析的盲源分离

提出一种新盲源（BSS）分离算法是在独立分量分析（ICA）算法中引入离散小波变换技术分解出有用信号．ICA是一种线性非高斯统计方法,不仅能够使研究对象相互独立或尽可能独立,而且能突出源信号的本质结构．笔者采用的新盲源算法能够将时-频ICA相结合,实现了较好的盲源分离．