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.     

基于多向Fisher判据分析的间歇过程性能监控

针对传统的间歇过程监控方法,在建模时只利用正常工况下的数据,其故障诊断能力并不令人满意的问题,提出了多向Fisher判据分析(MFDA:Multiway Fisher Discriminant Analysis)方法,用于间歇过程的监控.该算法同时利用正常工况和故障条件下的数据进行建模,其故障诊断能力要优于MPCA(Multiway Principal Component Analysis),在故障检测的同时也实现了故障的诊断.通过对实际工业链霉素发酵过程数据分析,表明该算法是可行的,可以获得较满意的故障诊断结果.     

基于WMNPE间歇过程监测的改进SVDD算法

间歇过程数据包含表征过程变化的相关信息和非相关信息,并且呈现高斯与非高斯的多分布等特点.为了更加充分地提取数据的有用信息和处理数据的非高斯性等问题,实现有效的过程监控,提出一种基于WMNPE间歇过程监测的改进SVDD算法.首先运用多向邻域保持嵌入(MNPE)算法来提取低维子流形以实现降维;再使用概率权值策略来提取表征过程变化的相关信息,通过Greedy方法提取低维子流形的特征样本;最后以支持向量数据描述(SVDD)方法建立监控模型进行监控.通过青霉素发酵过程仿真平台验证了所提算法的有效性.     

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。     

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。     

基于高斯模型的工业过程数据的故障预测

针对工业过程中采集到的监控变量的时间问题序列数据,提出一种新的基于高斯过程模型的预测建模方法来实现故障预测。针对特定数据集重新构建高斯过程核函数,将工业过程的先验信息加入到数据驱动预测模型中,使模型具有更好的性能。与现有的预测模型相比,高斯过程回归模型可以在给出预测值的同时给出一个置信区间,用作故障预测的不确定性度量。在田纳西-伊斯(TE)曼过程模拟数据集上进行性能对比实验,实验结果表明,提出的故障预测方法具有更好的预测精度。     

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。     

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.     

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.     

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 ...     

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.     

Online Batch Process Monitoring Based on Just-in-Time Learning and Independent Component Analysis

A new method was developed for batch process monitoring in this paper.In the developed method,just-in-time learning(J1TL) and independent component analysis(ICA) were integrated to build JITL-ICA monitoring scheme.JITL was employed to tackle with the characteristics of batch process such as inherent timevarying dynamics,multiple operating phases,and especially the case of uneven length stage.According to new coming test data,the most correlated segmentation was obtained from batch-wise unfolded training data by JITL.Then,ICA served as the principal components extraction approach.Therefore,the non-Gaussian distributed data can also be addressed under this modeling framework.The effectiveness and superiority of JITL-ICA based monitoring method was demonstrated by fed-batch penicillin fermentation.     

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。