数据驱动的在线MW-MSPCA故障诊断

针对动态非平稳过程数据的时变性和多尺度性导致故障诊断准确率下降及故障准确定位难以实现的不足,引入滑动窗口多尺度主元分析(Moving window multi-scale principal component analysis ,MW-MSPCA)〖BP)〗,通过小波阈值消噪解决统计模型偏离与数据相关性降低之间的矛盾,并在各个尺度上利用滑动窗口主元分析实现模型更新,然后借助三维贡献图描述反映过程行为变化的各独立过程变量对统计过程的贡献程度,进而对故障准确定位,最后给出诊断准确性的定量评价机制。在对6135D型柴油机进行数值实验中,并通过与传统的多尺度主元分析及自适应多向主元分析比较,实验结果从故障的漏报率、误报率及诊断准确率三方面表明新方法能更好地实现传感器故障诊断。     

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·     

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PSR和SVM方法的化工过程单变量故障诊断

基于相空间重构(SPR)和支持向量机(SVM)算法本文提出了一种利用单一变量进行化工过程故障诊断的方法。首先进行变量筛选,然后对筛选出的关键变量进行相空间重构,再利用SVM对重构后的数据进行故障分类。通过对TE(Tennessee Eastman)过程几类故障进行仿真测试,结果表明在单一故障和多故障情况下,本方法均可实现化工过程的单变量故障诊断;与传统SVW方法相比,相空间重构可有效提高诊断正确率。此方法可为建立简单而有效的单变量故障诊断系统提供理论依据。     

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。     

基于主元分析与支持向量机的制冷系统故障诊断方法

利用主元分析(PCA)法提取制冷系统特征向量,对典型人工智能方法所建故障诊断模型的性能进行理论研究与应用分析,确定了以支持向量机(SVM)算法为基础的故障诊断模型;针对SVM直接解决多种分类问题的困难,分析了3种多类SVM算法,确定了基于“一对其他（One vs others）”多类SVM算法的故障诊断模型,并提出基于PCA与SVM组合的PCA SVM故障诊断模型,同时,利用实验数据加以验证.结果表明：PCA SVM模型可将16个原始变量转化为相互独立的主元,并可提取前4个主元用于故障诊断而将正常与故障的模式分离,对故障的诊断率不低于98.57%,优于单纯SVM模型,且PCA SVM模型的训练速度比SVM模型快约130~350倍;PCA SVM模型对小样本的处理能力优于BP神经网络模型,其诊断正确率较高,训练耗时较少（约1/240）.     

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.     

基于核主元分析的湿法烟气脱硫系统的故障诊断

提出一种基于核主元分析(KPCA)的故障诊断方法,通过提取集成算子与非线性核函数计算后映射到高维空间的主元成分,有效地捕捉过程变量的非线性关系.对华能福州电厂烟气脱硫过程采集的数据进行传感器完全失效、偏差等故障实验仿真,结果表明,KPCA具有很好的故障诊断能力.     

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.     

k近邻补值方法在工业过程故障诊断中的应用

针对贡献图分析方法在故障分离方面存在拖尾效应以及不能准确定位故障变量的问题,提出一种将k近邻(k-Nearest Neighbor,kNN)补值与传统贡献图相结合的故障定位方法.首先利用主成分分析建模并求取综合控制指标;然后将kNN方法与综合控制指标相结合初步提取故障变量;最终用贡献图从初步提取的故障变量中确定故障根源,该方法有效地避免了正常变量的贡献值对最终诊断结果的影响.本文运用数值算例和TE过程进行仿真,并将该方法与基于重构的贡献方法比较,验证了算法的准确性和有效性.     

PCA 在过程故障检测与诊断中的应用

讨论了基于主无分析（PCA）的过程故障检测与诊断的原理,运用T^2统计、Q统计方法,结合贡献图对一典型过程进行了仿真分析,结果表明PCA方法可对简单传感器故障进行检测与诊断,并指出了该方法中的不足,提出了将PCA方法同基于过程动态模型的故障诊断方法相结合的研究思路。     

基于重构的传感器故障诊断贡献分析

基于重构的贡献值分析方法可用于传感器在线故障诊断。但是现有方法存在2个问题:1)在2个不同方向的贡献值计算中采用相同的交叉项;2)在每个故障方向的贡献值计算中包含与该方向无关的项。为了解决上述问题,该文提出2种改进的基于重构的贡献值分析方法。在改进的方法中,通过引入权重因子来区分交叉项在不同方向的贡献值中所起的不同作用。仿真结果以正确诊断率的形式给出。仿真结果表明:与传统的基于重构的贡献值分析法相比,改进的方法能有效提高传感器在线故障诊断的正确诊断率。     

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.     

改进PCA及其在真空自耗炉故障诊断中的应用

针对过程变量呈均值阶段性变化的一类生产过程,提出了一种新的主成分分析(PCA)故障诊断方法.该方法通过高通滤波对过程变量进行状态变换,扩展系统,然后采用主成分分析方法对扩展系统进行统计建模,并基于该模型进行过程监测和故障诊断.该方法可以克服普通主成分分析不能消除均值变化对所建模型的负面影响,进而提高故障诊断的鲁棒性和灵敏性.将提出的方法在真空自耗电弧炉中进行应用研究,冷却水泄漏故障诊断结果表明,提出的方法是有效的.     

基于PCA和BP网络的液压油缸内泄漏故障诊断

针对液压油缸内泄漏故障诊断时,由于提取的时域参数过多,导致诊断速度慢、实时性差等问题,提出基于主成分分析(PCA)和BP神经网络的诊断方法.该诊断方法是:首先提取压力信号的时域参数作为初始特征,然后利用PCA方法将高维初始特征空间压缩到低维最终特征空间,并将得到的最终特征输入到BP神经网络进行故障模式识别.研究结果表明:该诊断方法在满足故障检测识别率的同时提高了诊断速度,为液压油缸内泄漏的故障诊断提供了一种实用方法.     

Combination Method of Principal Component Analysis and Support Vector Machine for On-line Process Monitoring and Fault Diagnosis

IntroductionOn-line process monitoring and fault diagnosis are keyfactor to ensure product quality and operation safety .Inlastdecade research, the approach of fault detection anddiagnosis could be classified into three categories[1 ,2]:methods based on causal models , methods based onknowledge and methods based on multivariate statistics .Forthe model method ,it is difficult toidentify model parametersand esti mate model states , especially for complex chemicalprocess ; whereas for knowledge …     

基于PCA-BLS的逆变器故障诊断

为了确保电气设备的安全可靠运行,提出基于主成分分析法与宽度学习系统的逆变器故障诊断方法.利用主成分分析法对逆变器输出的电流信号进行处理,提取信号特征;构建宽度学习系统,并编写不同故障模式下的故障编码;利用不同故障模式下的信号特征对宽度学习系统进行训练,利用网络输出编码实现故障分类.仿真结果表明,该研究方法在诊断准确率及...     

基于M-WDLS和PCA的转子故障诊断方法

针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.     

一种数据驱动的湿法烟气脱硫系统的故障诊断方法

采用主元分析法(PCA)对火电厂湿法烟气脱硫系统进行故障诊断.利用PCA建立系统故障诊断模型,通过计算平方预测误差(SPE)来检测系统是否发生故障,若有故障发生则用Q贡献率法来分离故障,识别发生故障的原因.通过采集福州某电厂湿法烟气脱硫系统的历史数据进行Matlab仿真并在组态王中显示故障诊断曲线,表明用PCA法对湿法烟气脱硫系统故障具有良好的诊断效果.