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PCA和RBF神经网络的石化装置故障监测与诊断

为了从石化装置大量工艺监测数据中提取有效的故障特征信息,及时地发现故障并准确地识别故障原因,提出了一种基于PCA和RBF神经网络的故障监测与诊断方法。首先获取工况样本,建立PCA模型,降维提取统计特征;设定正常工况SPE统计量阈值,建立在线工况SPE统计量,由此进行故障监测。然后对故障样本进行PCA降维,构建多个RBF神经网络模型,用以实施在线故障诊断,识别故障原因。最后把某石化公司气体分馏装置脱异丁烷单元作为实例,采用Uni Sim Design软件对该单元进行过程动态模拟,获得工况监测样本,建立了故障监测与诊断模型。研究结果表明,所提出的方法不仅能有效地对工况进行状态监测,而且能快速和准确地诊断故障。     

改进的非线性PCA方法及其在过程监控中的应用

针对化工聚合反应过程的特点,结合小波分解多分辨率特性和独立元分析(ICA)提取个数较少的相互独立信号的优点,改进了基于自相关神经元网络的非线性主元分析(NLPCA)方法。在传统的非线性PCA方法中引入了独立元分析模块,不仅解决了自相关神经元网络中确定各层神经元个数的问题,而且以最少的独立元个数捕捉数据的非线性特征。多尺度监控可以识别各种幅值的故障,提高了监控效果。在此基础上,计算I²、I²_e和SPE统计量用于故障检测。贡献图法用于识别故障变量。在聚酯生产过程上的仿真结果表明,改进后的方法比传统的非线性PCA方法更及时地检测到过程故障,运用贡献图可以有效地实现故障变量分离。     

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。     

自适应阈值局部特征融合的人脸识别

针对局部二值模式(local binary pattern,LBP)提取图像纹理特征时阈值不能自适应以及缺少方向信息的问题,文章提出了一种自适应阈值局部特征融合的人脸识别算法。首先对原始人脸图像进行分块处理,提取每个子块自适应阈值均匀模式的局部二值模式(uniform local binary pattern,ULBP)特征和局部梯度编码(local gradient coding,LGC)特征;然后,将2种局部特征串联在一起融合为1种特征,得到每个子块的直方图特征,把每个子块图像的信息熵作为直方图加权系数,将所有子块图像的直方图乘以各自的加权系数,连接得到整幅人脸图像的直方图特征;最后用支持向量机(support vector machine,SVM)分类器进行识别分类。在ORL、Yale、FERET(be、bj、bf子库)人脸数据库上进行试验,该人脸识别算法分别得到了99.0%、98.7%、87.5%、93.0%、88.5%的识别率,正确识别率较高,算法对其他纹理分类、目标识别也具有一定的参考价值。     

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。     

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LTP和局部PCA的低分辨率人脸识别算法

针对单特征提取人脸识别算法识别率较低的问题,提出一种基于多特征融合的低分辨率人脸识别算法.首先,利用局部三值模式(local ternary pattern, LTP)和局部主成分分析(principal component analysis, PCA)提取低分辨率人脸特征,将其分割成若干块并统计各子块的特征直方图;其次,融合各子块的局部主成分分析和局部三值模式的直方图并级联各个分块,作为新的人脸特征;最后,通过卡方距离度量训练集和测试集直方图的相似度,采用最近邻算法识别相似度.实验结果表明,所提算法对环境和光照变化更具鲁棒性,识别率得到有效提升.     

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.     

基于PCA与神经网络的雷达故障组合诊断方法

针对目前单一诊断方法的缺陷,提出了一种基于主元分析方法(PCA)和神经网络的组合故障诊断方法.利用多PCA来监测雷达状态,在雷达状态异常时再通过分析变量贡献率来确定故障部位,最终采用神经网络进行故障诊断.仿真实验了该方法的有效性.     

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·     

Multi-PCA模型过程监测方法

为了研究具有大量高度相关的过程变量的非线性系统的故障诊断问题,提高用于故障检测和诊断的PCA模型的精度,提出一种基于多PCA模型的方法.设计的基于超椭球面的分类规则用来对过程数据分类,建立的多PCA模型用于过程监测,SOFM网络用于故障诊断.发酵过程中的仿真结果表明,多PCA模型方法能确定合理的受控限,提高了过程监测的精度,验证了方法的可行性和有效性.     

基于动态结构保持主元分析的故障检测方法

为充分利用表征过程运行工况的数据特征信息,提高化工过程的故障检测性能,提出一种基于动态结构保持主元分析(DSPPCA)的过程故障检测方法。首先对原始数据采用变量相关性分析建立自回归模型,构建包含动态特征的数据集,进一步综合考虑主元分析法(PCA)和局部线性嵌入(LLE)流形学习算法中数据点之间的近邻关系,融合得出新的目标函数,同时,运用局部线性回归的方法获得高维样本的嵌入映射,特征提取后在特征空间和残差空间分别构造监控统计量进行故障检测。Swiss-roll数据集的降维结果及TE过程的仿真研究结果表明,DSPPCA算法可以取得较好的特征提取效果,具有较高的故障检测性能。     

基于分块局部二元模式的鉴别特征抽取方法及人脸识别

提出了一种基于分块局部二元模式(LBP)的鉴别特征抽取方法.该方法对人脸图像进行分块,再对分块后的子图像矩阵采用LBP算子抽取LBP特征.由于LBP是利用一串二进制码表征较小图像块的局部纹理,这有助于提高人脸识别的性能.采用主分量分析(PCA)方法对由所有分块后子图像的LBP特征向量构成的新训练集进行维度缩减,最后以Fisher线性鉴别分析(LDA)对缩减后的PCA特征进行鉴别特征提取.在ORL人脸库和YALE人脸库上的实验结果表明,该方法优于传统的PCA和LDA方法.     

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.     

工艺产品加工质量监测优化

质量监测可以有效地提高产品质量和生产效率。在复杂产品的生产过程当中,多个质量特性之间相互作用,共同对产品的生产质量产生影响。由于质量特性的数量较多、有些特性的关系是耦合的,因此准确诊断出异常变量是研究的难点。为了高效、准确地诊断出异常变量,提高产品的质量和生产效率,提出了基于改进网格优化的principal component analysis(PCA)-support vector machines(SVM)多元控制图均值偏移诊断模型。在模型训练之前,使用主元分析(PCA)算法对数据进行预处理,降低数据维数和提取数据特征信息;再用改进网格算法对支持向量机(SVM)的参数进行优化,最终得到优化的SVM模型。仿真结果表明,采用的方法与传统方法相比,训练时间更短,且拥有更高的分类准确率。     

基于EEMD-Renyi熵和PCA-PNN的滚动轴承故障诊断

针对滚动轴承故障特征提取与状态监测问题,提出一种基于集合经验模式分解(EEMD)、Renyi熵、主元分析(PCA)和概率神经网络(PNN)的新方法.首先,将轴承振动信号通过EEMD分解成一组本征模态函数(IMF),计算每个IMF分量的Renyi熵值作为表征故障特征的向量,采用主元分析(PCA)对特征降维,提取主元输入概...     

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.     

基于双层自适应集成残差主成分分析的复杂非线性过程监测

多元统计监测方法常使用正常数据选取特征,而现实过程中,不同的故障将影响不同的特征,并且这些特征可能随着时间和控制系统的作用而变化。当故障发生并随时间变化时,要想获得更好的故障检测能力,就需要聚集有效的故障敏感特征。本文提出了一种双层自适应集成残差主成分分析(AERPCA)模型,其子模型包含不同的特征,并突出地呈现一个或多个相关故障。首先,根据正常数据计算主成分分析（PCA）特征,利用不同特征构建线性子模型和相应的残差空间。考虑到残差空间的非线性特性及有效特征更为分散,采用核PCA(KPCA)提取不同的特征并组成同一残差空间下不同KPCA子模型。然后,利用贝叶斯方法获取集成KPCA子模型,完成各残差空间的划分和集成。最后,在主空间中获得多个线性子模型以及在残差空间中获得多个集成的非线性子模型后,利用滑动窗口确定当前时刻监控效果最好的模型。采用田纳西-伊士曼过程验证了AERPCA的有效性。