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.     

PCA在非线性系统传感器故障检测和重构中的应用

由于主成分分析(PCA)方法是一种线性算法,基于PCA的故障检测方法若直接运用于非线性系统的传感器故障检测和重构,会导致明显的故障误报和数据重构错误。为了使基于PCA的传感器故障检测和重构方法适用于非线性较严重的热工过程,对该方法进行了有效的改进。应用不同负荷下的历史数据,分别建立机组不同负荷下的局部PCA模型,再根据机组当前实际运行负荷选择相应的PCA模型进行传感器故障检测和重构,并结合相邻负荷PCA模型的计算结果进行数据融合,从而进一步提高了故障检测的准确性和重构精度。理论分析和现场实际应用表明,该算法能够对非线性较为严重的电厂热工过程进行精确的传感器故障检测和重构。     

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。     

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.     

基于小波最优重构尺度的AUV推进器故障检测方法

针对采用传统小波方法检测外部干扰下自主式水下机器人(AUV)推进器故障时存在的故障检测灵敏度较低问题,提出一种基于小波最优重构尺度确定的AUV推进器故障检测方法,基于小波Shannon熵的小波最优重构尺度确定方法确定离散多层小波分解后细节系数的最优重构尺度,目的是滤除外部干扰等与故障无关信号,并选择故障信息含量最多的最佳重构尺度进行小波单支重构以识别AUV推进器故障特征.AUV实验样机水池实验结果表明,与传统小波方法相比较,所提方法故障检测灵敏度提高了27.78%.     

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。     

基于局部保持映射和隐马尔科夫模型的模拟电路故障诊断方法

针对模拟电路信号的非线性特征,提出一种基于局部保持映射和隐马尔科夫模型的故障模式识别新方法. 首先提取模拟电路的信号特征构成原始高维特征样本空间;然后采用LPP算法将原始高维故障数据映射至低维空间,提取数据的内在流形特征作为特征矢量;最后通过构建混合HMM反映系统的真实状态,并作为分类器实现对各状态的分类识别. 通过仿真分析,将该方法与其他方法进行对比,结果表明,LPP-HMM方法可以有效识别早期故障特征,具有较高的故障识别率.      

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t分布随机邻域嵌入算法的工业过程故障分类

针对在工业过程中数据普遍存在的非线性特性,基于数据的局部相关关系对分类的影响,提出一种基于t分布随机邻域嵌入(t-SNE)的数据特征提取和故障分类方法。利用t-SNE算法非线性、非参数降维的优势,与费舍判别分析(FDA)、支持向量机(SVM)分类器相结合建立故障分类模型。利用t-SNE算法对故障数据进行非线性特征提取,获取数据的关键区分特征。用FDA和SVM算法实现故障分类和识别。通过田纳西-伊士曼(TE)过程获得的实验数据进行实验仿真分析,并分别与基于核主元分析法(KPCA)、拉普拉斯特征映射(LE)构建的KPCA-FDA、LE-FDA、KPCA-SVM、LE-SVM 4种故障分类模型进行比较。定量评估结果表明:即使基于不同分类器,相较于其他2种方法,该文方法的分类准确率分别提升了2%和7%,且其平均分类准确率能保持在97%以上。     

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.     

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。     

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。     

基于动态MDONPE算法的间歇过程故障检测

针对间歇过程数据存在的非线性和动态特性导致故障检测效果不佳的问题,提出一种基于滑动窗(sliding window,SW)的多向差分正交邻域保持嵌入(multiway differential orthogonal neighborhood preserving embedded,MDONPE)算法.首先对间歇过程数据...     

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.     

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.     

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.