基于局部近邻标准化和主多项式算法的故障检测

针对工业过程的非线性和多模态特征,提出了一种基于局部近邻标准化(local neighborhood standard ization,LNS)和主多项式分析(principal polynomial analysis,PPA)结合的故障检测算法。首先,将样本数据通过局部近邻标准化(local neighbor standardization,LNS)算法,对每个样本构建k近邻数据集;然后应用k近邻数据集的均值和方差对当前样本进行标准化处理;最后使用PPA对已经标准化处理后的样本建模,计算出T2和SPE统计量,并确定控制限进行故障检测。LNS算法能够去除数据中的多模态特征,而PPA算法能够有效的处理非线性数据,因此LNS-PPA方法能够提高具有多模态非线性特征的工业过程故障检测能力。将该方法应用于多模态非线性数值例子和田纳西伊斯曼(TE)化工过程,并将测试结果与主元分析法(principal component analysis,PCA)、主多项式分析法进行对比,其结果能够有效验证LNS-PPA的优越性。     

基于局部临近标准化的FD-KNN故障检测

针对方差相差大的多模态故障诊断数据问题,提出一种基于局部临近标准化(local nearest neighborhood standardization,LNNS)的k近邻故障检测方法(fault detection-k-nearest neighbor rule,FD-KNN)。首先,计算每个样本的局部近邻,采用近邻特征实现标准化,克服传统标准化方法 Z-score将多模态数据看成一个整体而使数据不准确问题;其次,计算每个样本间距离,建立局部临近标准化距离模型,通过临近距离确定控制限。最后,在半导体生产过程中进行仿真应用研究,通过实验结果的比较与分析表明了所提方法的有效性。     

基于等距离映射的非线性动态故障检测方法

针对化工过程数据强非线性和动态性的特点,提出了一种基于动态等距离映射(Dynamic Isometric Mapping,DISOMAP)流形学习的非线性过程故障检测方法.该方法首先采用DISOMAP算法提取训练样本的子流形特征,自适应学习近邻点参数,保留了采样数据的流形结构,然后运用线性回归方法得到原空间和降维子流形空间的投影映射,从而将观测数据从原高维空间映射到低维嵌入空间,最后在变换后的低维空间构造统计量T2和SPE进行监控.TE过程的仿真结果表明,所提出的DISOMAP故障检测方法可以比核主元分析(Kernel Principle Component Analysis,KPCA)更为有效地监控过程变化,检测到故障的发生.     

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。     

多尺度变换近邻传播算法

利用多尺度变换将高维数据映射成低维数据,便于近邻传播聚类。仿真证明,与传统近邻传播算法相比,基于多尺度变换的近邻传播算法聚类精度高,收敛速度快。     

扩散映射K近邻在工业过程故障检测中的应用

针对半导体工业过程多工序、变量非线性、非高斯分布等特征,提出一种基于扩散映射的K近邻(DMKNN)故障检测方法.充分利用扩散映射(DM)降维,提取低维流行特性,保留数据集内在非线性结构特性,应用改进的KNN故障诊断方法在低维流行特征空间进行检测.研究结果表明:与传统K近邻技术的统计方法相比,DMKNN的故障检测率高于其他算法,提升了对数据样本关联性信息的有效提取能力,保持了K近邻处理非线性、多模态检测问题的性能,验证了该方法的有效性.     

基于改进PCA的复杂多阶段过程故障检测

为解决复杂多阶段过程难以进行有效监控的问题,提出了时空近邻标准化和主成分分析的故障检测方法。TSNS使用从时间到空间上嵌套近邻集的均值和标准差标准化各阶段样本,能够将多阶段数据高斯化为单一阶段的数据,分离故障样本,同时去除前后时刻样本间的时序相关性。TSNS能帮助PCA有效克服动态性、非线性和多阶段特征的影响,显著提高PCA的故障检测率。通过使用青霉素发酵过程设计故障检测实验,将TSNSPCA与一些经典方法进行比较,发现其具有更高的故障检测率。     

基于时序扩展的邻域保持嵌入算法及其在故障检测中的应用

针对动态自相关数据的特征提取和降维问题,提出了一种基于时序扩展的邻域保持嵌入(TNPE)的故障检测方法。针对邻域保持嵌入算法的不足,构建了新的优化目标,在构建局部空间结构特征的基础上,同时提取了数据随时间变化的动态特征。使得投影得到的低维空间不仅和原始变量空间具有相似的空间局部近邻结构,而且具有相似的时序动态结构,因而包含了更多的特征信息。在此基础上,利用TNPE算法将原始过程数据划分为特征空间和残差空间,并分别建立T2和SPE统计量实现工业过程监测。通过对Tennessee Eastman(TE)过程的仿真研究,验证了TNPE算法有效性可行性,并显示出了优越的故障检测能力。     

基于改进动态等距离映射的非线性动态故障诊断方法

分析动态等距离映射算法,针对数据稀疏分布造成短路边的缺点,运用主成分分析法进行可视化一维主元提取,近似确定高维采样点的分布情况,自适应获取采样点的近邻参数.其次,采用流形距离量度代替欧氏距离进一步得到测地线距离,提取训练样本的子流形特征,并运用标准化监控统计量实施过程监控和故障检测.最后,设立子流形综合相似度指标,对故障数据进行模式匹配.TE(Tennessee Eastman)过程的仿真结果表明:所提出的方法可以更为有效地检测到故障发生,并进一步对发生的故障进行识别.     

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。     

基于局部邻域标准化策略的多工况过程故障检测

为满足实际工业过程中的生产需求,复杂的化工过程往往会包含多种运行模态,而且过程数据不再单一地服从高斯分布或非高斯分布.过程数据的多工况分布特性以及同一工况下数据分布的不确定性使得传统的多元统计方法无法得到满意结果.针对复杂化工过程中多工况以及复杂数据分布的问题,提出一种基于局部邻域标准化策略(Local Neighborhood Standardization,LNS)的故障检测方法.首先,运用局部邻域标准化策略对历史数据集进行预处理,并充分考虑到邻域密度,再通过局部密度因子(Local Density Factor,LDF)构造监控统计量,进而对工业过程数据进行在线故障检测,最后通过数值例子和Tennessee Eastman(TE)过程验证本文方法的有效性.     

KPCA与LTSA融合的转子故障数据集降维算法

针对核主成分分析(kernel principal component analysis,KPCA)和局部切空间排列算法(local tangent space,LTSA)在降维过程中无法兼顾保持数据全局结构特性和局部结构特性的问题, 利用核函数的可线性叠加性质,提出一种将KPCA算法与LTSA算法融合的非线性降维算法.该算法能使故障数据集经过降维后同时保持数据样本间的全局距离关系和局部邻域关系.应用验证表明:本算法可以准确地提取故障数据集中所包含的全局与局部结构特征模式,使故障分类的结果更明晰、更准确、更有效.     

改进的D-t-SNE滚动轴承故障数据集降维方法

针对传统降维方法难以保持数据集的局部与全局几何结构特征问题,选择测地距离作为度量指标,提出改进t-SNE的故障数据集降维方法D-t-SNE.首先提取消噪振动信号的多域高维故障数据集,在对其进行归一化处理之后,利用GD指标改进后的D-t-SNE算法对高维故障数据集进行降维运算,去除冗余信息,然后通过不同的分类器对低维特征子集进行故障模式辨识.以UCI数据集和双跨转子实验台的模拟故障数据集为实验对象对D-t-SNE算法进行验证,并与SNE和t-SNE算法的各项实现结果进行对比.结果表明,D-t-SNE算法具有通过降低高维故障数据集的维数从而达到降低故障分类难度、提高故障辨识准确率的性能,可为降低旋转机械原始故障特征数据集的规模、降低故障分类的难度与提高故障辨识结果的可视化效果提供理论参考依据.     

多元时间序列模式异常研究

为了提高多元时间序列模式异常检测算法的有效性和合理性,在k-近邻局部异常检测算法的基础上,结合基于主元分析的多元时间序列的降维方法,对多元时间序列模式异常进行检测.实验结果验证了该算法对多元时间序列模式异常检测的准确性和有效性.     

利用增量式非线性流形学习的状态监测方法

针对传统流形学习方法难以处理大批量设备运行数据的特点,提出了一种采用增量式流形学习方法的机械设备状态监测方法.该方法首先利用局部切空间排列算法对训练样本集进行非线性维数约简,得到初始的低维流形结构,然后通过增量式学习机制对新增的时序样本点进行动态聚类.通过对压缩机喘振试验数据及滚动轴承故障数据的分析表明,该方法的计算复杂度低,可以有效地识别出隐藏在高维特征集中的非线性故障特征,因此具有良好的工程应用前景.     

基于语义邻域的数据降维方法在三维模型检索中的应用

为提高三维模型的识别速度以及检索准确率,提出一种基于语义邻域的数据降维方法.通过基于内容的三维模型检索过程中的相关反馈记录,构造一个三维模型的语义邻接图,采用其中任意两点的最短路径长度来近似代替两点在流形空间上的测地距离,再通过多维尺度分析(MDS)算法来构造数据点在低维欧氏空间中的内在表示.对Princeton ShapeBenchmark的实验表明,该方法在数据的低维嵌入中保留了数据之间的语义关系,在三维模型检索中取得了更好的检索效果.     

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。