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.     

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.     

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.     

改进的主元分析法在连铸结晶器过程监测中的应用

将改进的主元分析(PCA)方法应用于连铸结晶器的过程监测.基于板坯连铸结晶器摩擦力实测数据进行仿真分析,结果表明,改进的PCA避免了Q统计量的保守性,从而能够更有效地识别过程故障与工况改变引起的T2统计量的变化.与传统的PCA方法相比,改进PCA具有更强的故障检测能力.     

神经元网络中的PCA方法

论文以北京正负电子对撞机上BES实验中的e、μ、π粒子的神经元网络法鉴别为例，通过对原始输入变量进行PCA（Principal Component Analysis)方法重组，构造出一组相互独立的输入变量，去除原始变量中的某些相关性，可以减少输入变量的个数，改善网络的操作速度性能。     

基于核函数PCA的非线性过程实时监控方法

为了克服基于主元分析的过程监控方法非线性处理能力弱的缺点和降低基于非线性主元分析的过程监控方法的计算复杂度,提出了将核函数PCA监控方法用于复杂工业过程实时监控系统的开发研究,并讨论了核函数参数选择对系统性能的影响。核函数PCA能有效地提取过程变量的非线性关系,而且计算复杂度低,便于在线实施。仿真结果表明该方法是一种有前途的复杂过程非线性实时监控技术。     

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。     

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.     

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 ...     

基于FRICA算法的非高斯过程故障检测方法

独立元分析(ICA)是一种有效的非高斯过程故障检测方法,但其建模过程仅仅使用正常工况数据,忽视了对先验故障工况数据的利用.针对此问题,提出了一种基于故障相关ICA(FRICA)算法的故障检测方法.该方法使用ICA算法提取正常工况数据中的非高斯特征成分;再将正常工况数据集和先验故障工况数据集融合在一起构成多工况数据集,利用非局部保持投影进行二次特征提取,获得故障判别成分;在两种特征成分的基础上构造新的监控统计量,并利用核密度估计得到相应的置信限,完成对实时数据的监控.连续搅拌反应釜(CSTR)系统的监控仿真结果表明:与基本ICA方法相比,FRICA方法能更有效地检测出过程故障.     

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.     

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。     

间歇过程在线检测的核独立元分析及局部建模方法

针对间歇过程所具有的非线性特点,提出了一种基于核独立元分析(Kernel ICA)及局部建模的在线故障检测策略.将展开的高维历史数据按时间间隔划分,应用Kernel ICA算法对每一个时间间隔点的分数据块提取独立主成分,构造检测统计量,并用非参数估计方法确定其控制限.这种建模方法机理简单,而且不需要预测过程未知的测量数据.通过对DuPont间歇聚合过程的仿真,验证了所提出方法的有效性和准确性.     

Multivariate Statistical Process Monitoring Using Robust Nonlinear Principal Component Analysis

The principal component analysis （PCA） algorithm is widely applied in a diverse range of fields for performance assessment, fault detection, and diagnosis. However, in the presence of noise and gross errors, the nonlinear PCA （NLPCA） using autoassociative bottle-neck neural networks is so sensitive that the obtained model differs significantly from the underlying system. In this paper, a robust version of NLPCA is introduced by replacing the generally used error criterion mean squared error with a mean log squared error. This is followed by a concise analysis of the corresponding training method. A novel multivariate statistical process monitoring （MSPM） scheme incorporating the proposed robust NLPCA technique is then investigated and its efficiency is assessed through application to an industrial fluidized catalytic cracking plant. The results demonstrate that, compared with NLPCA, the proposed approach can effectively reduce the number of false alarms and is, hence, expected to better monitor real-world processes.