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.     

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。     

基于改进核主元分析的故障检测

针对电主轴系统特点,提出基于改进核主元分析(KPCA)的故障检测方法,引入混合核函数的定义,将多项式核和径向基核的混合核方法与主元分析方法(PCA)相结合,解决采用单一核函数诊断故障时的高误诊率问题.首先对数据进行预处理,然后使用混合核函数对数据矩阵进行映射,映射到高维特征空间,使非线性数据变量变为线性数据变量,并使用PCA提取变量数据的高维空间相关特征确定主元个数,最后根据混合非线性主元特征计算出的T2和Q统计量,实现在线故障检测.该方法改进传统核函数的选取方法,充分考虑工业过程中的非线性,更精确地描述工业过程特性,可以准确、有效地检测出电主轴系统故障.对田纳西-伊斯曼(TE)过程以及电主轴系统的应用实例证明该方法的可行性.     

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.     

基于广义熵优化准则的非线性非高斯系统故障分离方法

针对非高斯随机系统研究了一种基于滤波的故障分离方法。通过故障、扰动的统计信息获取状态估计误差和输出估计误差的（联合）概率密度函数,再根据所建立的广义熵优化准则设计滤波器。仿真结果显示,在故障和干扰均出现及主要故障不出现两种不同的情况下系统响应完全不同,说明该广义熵优化准则能有效分离故障。     

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。     

一种分层信息提取的多块主元分析故障监测方法

针对传统多块故障监测方法建模时,一般仅考虑到过程局部信息的问题,提出一种分层信息提取的多块主元分析(Principal component analysis,PCA)故障监测方法。第一层考虑过程变量之间的互信息,对过程变量进行分块,提取过程局部信息;第二层对每个变量块进一步提取累计误差和二阶差分等特征信息,结合观测值信息共同将每个变量块扩展为3个信息子块;对每个信息子块采用PCA方法进行监测,并基于贝叶斯方法融合所有信息子块的监测结果。所提方法的有效性和性能在田纳西-伊斯曼(Tennessee-Eastman,TE)过程监控中进行了验证和分析。     

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.     

基于动态核PCA的复杂废水处理过程在线故障检测

为了克服废水处理过程具有较强的非线性及动态特性,研究了基于主成分分析(principal component analysis,PCA)的在线故障检测.首先在PCA的基础上引入核函数,构造核主成分分析(kernel principal component analysis,KPCA)来优化模型结构,再通过嵌入动态模型来构造动态核主成分分析方法(DKPCA),最后对废水处理过程进行在线故障检测.基于某造纸厂废水数据,构建了偏移故障、漂移故障及精度下降故障,并进行仿真.研究结果表明,在偏移故障条件下,相较于PCA和KPCA方法,DKPCA的平方预测误差故障检测率分别提升了96.96％和87.87％,且在漂移故障条件下检测的灵敏度也有明显提升,验证了在废水时变性过程中DKPCA方法在线故障检测的有效性.     

基于免疫核主元分析的故障诊断方法

针对核主元分析(KPCA)中的复杂运算和故障分离问题,提出一种基于免疫核主元分析(immune-KPCA,IKPCA)的故障诊断方法.该方法使用小波变换技术对数据进行预处理,然后利用基于克隆选择原理的免疫算法对建模数据进行压缩,提取特征样本建立核矩阵以降低运算复杂程度.在IKPCA监控统计量检测到故障后,基于灵敏度分析思想构造贡献图分离故障变量.在连续搅拌反应釜(CSTR)仿真过程上的应用结果表明,本文提出的方法能够显著地降低核矩阵的计算量,比传统的PCA、KPCA方法更有效地检测过程故障,而且能够正确地识别故障变量.     

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。     

信息熵与广义集合集成的轴承-转子系统故障辨识方法

基于信息融合思想,对描述振动信号能量的3种信息熵测度,即时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵,在轴承-转子系统故障辨识中的应用方法进行研究.在根据广义集合概念对3种信息熵测度进行特征级的信息融合基础上,提出一种基于时空(场)广义信息熵集合的轴承-转子系统故障辨识方法.分析结果表明,该方法具有在三维特征空间图形化描述故障的状态域,使不同故障类别间显示出显著差别的性能,对提高辨识故障的准确率具有参考价值.     

基于改进变分模态分解及循环相关熵谱的轴承故障诊断

针对强背景噪声下非高斯脉冲噪声和高斯噪声对滚动轴承故障诊断产生严重干扰的问题,提出了一种基于改进变分模态分解(variational mode decomposition, VMD)并与循环相关熵谱(cyclic correntropy spectrum, CCES)相结合的故障诊断方法。首先,针对VMD传统重构指标易受噪声影响的问题,引入相关熵峭度(correlation entropy kurtosis index, CEK)指标对VMD分解后的模态分量进行选择与重构,去除高斯噪声;然后针对重构后信号仍存在的脉冲噪声影响问题,对重构信号进行CCES投影融合去除非高斯脉冲噪声干扰并增强特征;最后对融合结果进行分析与故障诊断。经仿真测试与实验表明,所提出的方法可以在高斯噪声和非高斯脉冲噪声背景下有效提取滚动轴承故障特征频率并实现故障诊断。     

基于PCA-KLFDA的小样本故障数据集降维方法

针对小样本故障数据集降维问题,提出一种基于主元分析(PCA)和核局部费歇尔判别分析相结合的子空间降维方法.该方法首先应用PCA提取数据集中的关键信息并实施降维,然后将该子空间通过高斯核方法映射至高维线性空间,并在高维空间基于局部费歇尔判别分析训练出一个最有辨别力的低维分类特征集.用双跨转子实验台的一组故障特征数据集进行验证,结果表明:该方法能有效应对小样本的降维问题,达到增大不同故障样本集合间距离、使同类故障样本间的类内距离减小的效果,为基于数据驱动途径实现智能故障辨识技术中涉及的小样本故障数据集类别划分问题提供了一种新方法.     

一种提高Kernel PCA特征提取性能的核优化算法

基于核的主分量分析(Kernel PCA)能够提取数据的非线性特征,但其性能受核参数的影响非常大.提出了一种新的基于特征空间中非高斯分布估计的核参数优化算法.该方法基于Kernel PCA中最优的参数应能导致特征空间中数据具有高斯分布的思想,通过对特征空间中数据的非高斯性结构进行分析,从反面估计其对高斯分布的逼近程度.采用该方法对各种数据进行实验都有很好的效果,表明了该方法的有效性.     

基于MAGMM-KECA的间歇过程故障诊断方法

对具有多阶段操作特性的间歇过程进行建模时,往往忽略了不同阶段间的差异性,没有考虑阶段间的相关特性和过渡特性,影响了过程监控的精确性.针对此问题,提出了多方向自适应高斯混合模型-核熵成分分析(multiple adaptive Gaussian mixture model-Kernel entropy component analysis,MAGMM-KECA)算法,该算法无需先验知识,在自动获取不同阶段高斯模型信息的同时对多阶段进行自适应柔性划分,得到更加精确的高斯模型,解决阶段间的相关特性和过渡特性;再利用KECA处理非线性、高维数据的优越性,分别对不同阶段进行建模,引入CS(Cauchy-Schwarz)统计量对故障进行监控,检测到故障后用贡献图方法诊断出故障变量.通过青霉素发酵过程进行了验证,结果表明所提算法比MPCA、MKPCA算法具有更好的故障诊断精度.     

基于集成核熵成分分析算法的工业过程故障检测

针对核熵成分分析算法(kernel entropy component analysis, KECA)为不同的故障选择相同的核参数影响检测效果的问题,提出了一种基于集成核熵成分分析(ensemble kernel entropy component analysis, EKECA)算法的工业过程故障检测方法。首先,选取一系列具有不同宽度参数的核函数将非线性数据投影到核特征空间,选取Rényi熵值贡献较大的特征值和特征向量,得到转换后的得分矩阵,建立多个KECA子模型;然后,将测试数据投影到各KECA子模型上,计算各KECA子模型的统计量,得到检测结果;最后,将各KECA子模型的检测结果利用Bayesian决策进行概率换算,利用集成学习法计算检测结果统一的统计量,判断其是否超出控制限,并将该算法应用于数值例子和TE过程。仿真结果表明,与传统的EKPCA,KECA等算法相比,所提方法有效提高了故障检测率,降低了误报率。新方法解决了传统KECA算法中不同故障核参数的选择问题,为提高KECA算法在非线性工业过程故障检测中的性能提供了参考。