多采样率主元分析的过程故障检测

针对多采样率过程监测问题,提出了一种基于多采样率主元分析的故障检测方法.该方法构建了一种重新采样机制,直接利用多采样率数据计算模型中的协方差矩阵,充分利用了样本中的大量不完整数据信息,减小了多采样率数据带来的偏差,给出了离线建模和在线故障检测算法.分别在数值平台和Tennessee Eastman(TE)工业平台进行了仿真分析.仿真结果表明,所提出的方法更适合多采样率过程的故障检测,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.     

基于PCA的氧化铝蒸发系统故障检测

针对氧化铝蒸发系统结构复杂、物理模型难以搭建、大量数据得不到合理利用的问题,提出了基于主成分分析(PCA)的故障检测方法和直观的故障分离方法.通过对氧化铝蒸发系统进行深入分析,对系统故障进行分类,并在仿真模型中建立了不同的故障类型模型.最后,基于对氧化铝蒸发故障进行模拟得到的故障数据,给出了在氧化铝蒸发过程故障检测中的实例,验证了PCA方法的可行性.     

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.     

基于主成分分析的建筑空调系统传感器故障检测

在已经建立的建筑空调系统仿真器的基础上,针对系统的温度、湿度、流量传感器提出了一种基于主成分分析的传感器故障诊断方法.该方法根据系统正常的历史运行数据建立数理统计模型,通过传感器实际测量数据与正常数据阵在故障子空间投影的比较,对传感器的故障进行检测.仿真试验表明,该方法能够诊断出固定偏差和漂移故障,为进一步研究传感器的故障诊断提供了必要的基础.     

模型-数据联合驱动的船舶舵机电液伺服系统早期故障检测

提出了一种模型-数据联合驱动的船舶舵机电液伺服系统早期故障检测方法.首先,建立了系统状态方程,对系统中的常见故障进行了模型解析,并对系统中的各类不确定因素进行了分类分析.其次,为减少各类不确定因素的影响,采用混合式处理方法进行逐层削减.利用系统正常运行状态下的输入输出数据先对系统中的不确定参数进行有效辨识,通过设计鲁棒故障检测观测器来对系统中的固有非线性和未知时变外负载力进行处理和解耦.为了能够对早期故障进行有效检测,利用实际及观测系统数据,构建了基于神经网络的补偿模型,可进一步削减剩余不确定因素对故障检测的影响,从而提高故障敏感性.最后,通过仿真和实验共同验证了这种模型-数据联合驱动故障检测方法的有效性,该方法可用于船舶舵机电液伺服系统及类似系统的在线早期故障检测.     

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。     

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.     

改进的基于数据重构的KPCA故障识别方法

核主元分析(KPCA)方法相对于主元分析(PCA)方法在非线性过程监测方面具有一定的优势,但是KPCA很难找到由特征空间到原始空间的逆映射函数,这给基于KPCA的故障诊断带来了很大的障碍.为此,在KPCA故障数据重构方法的基础上,对故障识别指标进行改进.改进后的方法既能够识别单变量引起的故障,又能识别多变量引起的故障,而且减少了指标计算过程中的运算量,避免了传统故障识别方法只能实现单变量故障追溯的缺陷.将提出的故障识别方法在田纳西过程中进行了仿真研究,结果表明所提方法的有效性.     

基于主元分析的故障可检测性的统计指标比较

基于主元分析的传感器故障检测方法中,SPE和H aw k in T2H是两个重要指标,针对目前应用中SPE指标有不足,而H aw k ins T2H指标一直没有得到重视的问题,该文通过分析对比SPE和T2H指标的控制限和基于主元分析的传感器故障可检测性的充分条件,得出了SPE和T2H指标的可检测故障幅值计算公式。定性分析了SPE和T2H指标对不同传感器故障具有不同的检测能力,并通过数值仿真进行了验证。指出由于T2H和SPE指标各有优劣,因此在实际传感器故障检测中应该联合使用。     

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田纳西-伊斯曼TE(tennessee eastman)过程进行故障检测验证所提出方法的有效性。     

基于变元统计分析的微小故障检测

微小故障检测对于预防重大事故的发生具有重要的意义.针对微小故障的检测问题,提出了一种变元统计分析算法(Transformed Component Statistical Analysis,TCSA).该算法对滑动时间窗口内的数据进行处理并提取变元(Transformed Component,TC),进而对变元的统计特性(均值,方差,偏度,峰度等)进行监控,以实现对微小故障的检测.该方法所提取的变元即标准化后数据的线性组合,其统计特性能反映出系统运行在正常工况下的某些不变量,而某些微小故障会打破这些平衡,进而实现对故障的检测.通过数值仿真和田纳西伊斯曼过程案例的研究,表明TCSA能够对微小传感器故障和过程故障实现有效检测.     

Nonlinear fault diagnosis method based on kernel principal component analysis

To ensure the system run under working order, detection and diagnosis of faults play an important role in industrial process. This paper proposed a nonlinear fault diagnosis method based on kernel principal component analysis (KPCA). In proposed method, using essential information of nonlinear system extracted by KPCA, we constructed KPCA model of nonlinear system under normal working condition. Then new data were projected onto the KPCA model. When new data are incompatible with the KPCA model,it can be concluded that the nonlinear system is out of normal working condition. Proposed method was applied to fault diagnosis on rolling bearings. Simulation results show proposed method provides an effective method for fault detection and diagnosis of nonlinear system.