改进主元分析方法及数据重构在工业系统中的故障诊断研究

为了更加准确地对复杂工业生产系统进行故障判断,使生产系统更加稳定地运行,采用了改进的主元分析(Principal component analysis,PCA)方法及数据重构对工业过程进行故障诊断研究。采集工业系统正常和故障状态时的数据,将传统的PCA算法中平方预测误差(Squared prediction error,SPE)统计量分成两个,分别为主元显著关联的检测残差变量(Principal-component-related variable residual,PVR)和一般变量残差(Common variable residual,CVR)对系统进行故障判断。为了使系统在检测出故障之后尽量减少故障数据对系统的影响,又进一步应用数据重构方法,将故障数据重构成正常数据,并采用有效度指标进行验证。在故障发生的过程中对故障部分进行检修和排除,把生产系统受到故障的影响降到最低。改进的PCA方法和数据重构方法运用田纳西—伊斯曼过程的数据验证,使故障的检测结果更加准确,保证了生产系统的正常运行行。     

基于偏最小二乘回归的挖掘机液压系统故障诊断

为了提高挖掘机液压系统的可靠性水平,提出了一种针对挖掘机液压系统的偏最小二乘回归(PLSR)故障诊断方法,其原理是:首先使用非线性迭代偏最小二乘(NIPALS)算法分析系统正常状态下的样本,选择累积方差最大的PLS成分数目,建立输出变量关于输入变量间的PLSR辨识模型;然后,将系统故障状态下的样本代入PLSR辨识模型,运用广义似然比(GLR)检验对模型残差进行假设检验,判断系统的故障状态。实验结果表明,采用基于PLSR的故障诊断方法能准确地诊断出所有系统故障,能有效地应用于挖掘机液压系统的故障诊断。     

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。     

一种主元分析方法在聚合生产过程故障监测与诊断中的应用

对聚合生产过程中的操作变量进行主元分析，提取过程变量的主要特征，建立主元模型，可实现对多变量过程数据的压缩．在不减少原信息主要特征的基础上，有效地去除了测量噪声．将主元分析应用到聚合反应生产过程故障诊断系统中，大大减少了监测变量个数，能够实现对过程状态的有效监控；异常状态可根据变量对统计量贡献值的大小来确定故障源．     

基于主成分法的空调新风阀故障检测与诊断

建立了主成分分析法的空调系统故障检测模型,根据平方预测误差和其阈值大小的比较,判断系统是否发生故障。采用ASHRAE 1312现场实测数据进行方法的测试验证,以新风阀故障的诊断为例,比较并分析了故障贡献图和相似系数两种故障诊断方法。结果表明:当新风阀开度偏离正常运行开度15%时,主成分分析能够有效检测出故障;故障贡献图不需要先验知识便可检测出故障变量,但只能确定出故障设备引起的单一故障变量;与贡献图法相比,相似系数法诊断结果更加可靠,两种故障诊断方法各有优缺点,两者组合能够更加准确地诊断出故障。     

基于ARMAX模型的挖掘机液压系统故障检测

根据挖掘机的可靠性水平和智能化程度,提出了一种基于ARMAX(Auto-Regressive Moving Average Exogenous)模型的挖掘机液压系统故障检测方法.使用系统正常状态下的信号样本建立系统的ARMAX辨识模型,通过休哈特控制图分析ARMAX辨识模型的输出残差,以获取故障检测的阈值;然后,将系统故障状态下的信号样本代入ARMAX辨识模型,当模型残差超过阈值,即能判定系统发生故障.实验分析表明,基于ARMAX模型的故障检测方法够有效地检测挖掘机液压系统产生的故障.图3,参10.     

基于主成分分析-孪生支持向量机的工业系统故障监测

为了改善现代工业系统故障检测和诊断的性能,提出一种基于主成分分析-孪生支持向量机挖掘的工业系统故障监测方法;采用多元统计的主成分分析方法对涉及的复杂故障变量进行降维,并对提取的主要故障变量进行判断,完成故障检测;将孪生支持向量机引入到故障类型的识别过程,结合主成分分析方法进行系统监测。结果表明,与加权K近邻、主成分分析-K近邻和主成分分析-支持向量机3种方法相比较,所提出的方法识别更快,准确率较高。     

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.     

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。     

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。     

基于重构贡献的双容水箱故障诊断方法

针对流程工业过程中变量数据众多,变量间耦合性强,常规主元分析法对于故障数据的分离存在一定局限性,提出了基于主元分析和重构贡献的双容水箱系统故障检测与诊断方法,介绍了一种基于SPE和T2统计量的综合评价指标,定义了重构贡献统计量,分析了重构贡献法的故障诊断性能,利用重构贡献法与传统贡献法进行对比诊断实验研究,并验证了重构贡献法故障诊断的有效性。     

基于主元回归模型的挖掘机液压系统故障诊断

为提高挖掘机液压系统的可靠性,提出了基于主元回归(Principal Component Regression,PCR)模型和模糊C-均值(Fuzzy C-Means,FCM)聚类的挖掘机液压系统故障诊断方法.故障诊断方法将故障诊断分成故障特征提取和故障分类两个部分.在故障特征提取中,首先确定PCR模型的输入/输出结构,通过主元分析(Principal ComponentAnalysis,PCA)的累积贡献率得到故障样本的主元数目,建立相应的PCR模型并提取回归系数作为故障特征;在故障分类中,将FCM聚类作为故障分类器,对回归系数进行分类,判断系统的故障状态.仿真试验表明,提出的故障诊断方法能有效地应用于挖掘机液压系统.     

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Unscented卡尔曼滤波新息的多变量序贯概率比检验故障检测方法

针对非线性多变量过程监控问题,提出一种基于预测新息的多变量序贯概率比检验(SPRT)方法.首先利用Unscented卡尔曼滤波(UKF)基于正常过程模型预测输出值,将预测输出值与过程测量得到的实际输出值对比产生预测新息,然后引入多变苣SPRT方法分析多元新息的统计特性,构造对数概率似然比判决函数和判决规则,监控过程的运行状态并对故障状态进行报警.在连续搅拌反应器上的仿真应用结果表明,所提出的故障检测方法能够有效实现过程监控,比传统的残差加权平方和方法误报率低、检测速度快.     

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.     

基于核主成分空间支持向量机的过程监视方法

为了有效改进支持向量机(SVM)在工业过程中的故障检测性能,提出一种基于核主成分空间支持向量机的过程监视方法.首先,运用核主成分分析方法(KPCA)处理数据,获取数据的核主成分,在核主成分空间计算Hotelling's T2统计量;然后,在T2统计量基础上加入时滞特性和时差特性,并将三者组合成增广矩阵,运用正常数据和故...     

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。     

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.     

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.