基于主元分析的故障可检测性的统计指标比较

基于主元分析的传感器故障检测方法中,SPE和H aw k in T2H是两个重要指标,针对目前应用中SPE指标有不足,而H aw k ins T2H指标一直没有得到重视的问题,该文通过分析对比SPE和T2H指标的控制限和基于主元分析的传感器故障可检测性的充分条件,得出了SPE和T2H指标的可检测故障幅值计算公式。定性分析了SPE和T2H指标对不同传感器故障具有不同的检测能力,并通过数值仿真进行了验证。指出由于T2H和SPE指标各有优劣,因此在实际传感器故障检测中应该联合使用。     

改进PCA方法在化工过程中的故障诊断研究

为了使化工生产中复杂系统的故障判断更加精准、更加有说服力,采集系统正常工作和故障状态时的数据,运用改进的主元分析(PCA)算法判断系统是否有故障产生。改进的主元分析算法是在传统主元分析的基础上将平方预测误差SPE统计量分化成与主元显著关联的检测变量残差(PVR)统计量和其余一般变量残差(CVR)统计量,再与Hotelling’s T2统计量相配合进行系统故障的判断,使检测到的结果更加精准,生产过程更加安全。将此改进的主元分析方法运用到田纳西—伊斯曼过程中,仿真结果验证了该方法可以有效识别系统处于正常工况状态还是故障状态,是一种系统故障分析和诊断的有效方法。     

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。     

基于粒子群优化的核主元分析的故障检测方法

目的提出使用粒子群优化(PSO)方法进行核参数优化,获得混合核KPCA的故障检测方法.方法引入多项式核函数和高斯径向基核函数的混合核方法,使用PSO对各参数同时进行优化,得到最优的混合核函数,再与PCA相结合,得到基于PSO优化的KPCA.结果根据混合非线性主元特征计算出的T2和SPE统计量,实现故障检测.并且其故障检测率高于径向基KPCA,时间成本低于多项式KPCA.结论通过田纳西-伊斯曼(TE)测试过程以及电主轴系统的应用实例说明了KPCA方法的可行性与实用性.     

PCA在火箭发动机试车台传感器故障诊断中的应用

为了解决液体火箭发动机在试车过程中氢供应系统的关键传感器的故障诊断问题，该文利用主元分析（PCA）方法为几个重要传感器建立了主元分析模型。在所建立模型的基础上，根据平方预报误差（SPE）对传感器故障敏感的特点利用其进行传感器的故障检测。该文根据一种量化的指标参数——传感器有效度指标（SVI）对故障传感器进行辨识，实现故障分离。一般的基于传感器对SPE贡献率的辨识方法只能进行定性分析，而SVI则将辨识参数量化到0～1之间。更具实用价值。同时，证明了迭代收敛的重构解析表达式，去除了故障传感器数据对重构精度的影响，实现了数据重构。通过仿真实例验证了这种传感器故障诊断及重构方法的有效性．为发动机的正常试车提供了有力的保证。     

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.     

基于小波变换和中值滤波器的主元分析方法

传统主元分析用于故障检测时,由于测量数据中含有噪声和异常点,从而导致系统的误报警.针对传统主元分析在处理含噪数据时的不足,给出了一种把小波变换、滑动中值滤波器和主元分析相结合的方法,利用小波变换和滑动中值滤波器的优点,对主元分析前的数据进行预处理,以去除噪声和异常点,减少和消除了虚警点,并将此方法运用于实际的故障检测中,取得了较好的检测效果,证实了该方法的有效性和可行性.     

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。     

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CHMM的TE过程在线故障检测

随着工业过程的规模和复杂程度的增加,对于过程安全性和可靠性的要求进一步提高.为了准确及时地检测设备故障,提出了一种基于连续隐马尔可夫模型(CHMM)的在线故障检测方法.采用主元分析(PCA)方法对过程变量数据进行特征提取,利用变长度滑动窗口技术跟踪动态数据,并提出了一个新的实时统计量作为在线故障检测的量化指标,结合实时阈值实现了CHMM的在线故障检测.将该方法应用于田纳西-伊斯曼(TE)化工过程,并与基于PCA和动态主元分析(DPCA)方法的故障检测结果进行比较,能够较准确地检测到故障,验证了该方法的有效性.     

基于非线性主元分析的水轮机调节系统传感器故障诊断

利用现场的运行数据,将基于输入训练神经网络的非线性主元分析(PCA)方法应用到水轮机调节系统传感器故障诊断中,讨论了基于输入训练神经网络的非线性主元分析实现方法,建立了输入训练神经网络和反向传播网络,实现了对实测数据的重构,讨论了利用平方预测误差(SPE)进行故障检测和识别的方法,并用现场实测数据对该方法进行了仿真。仿真结果表明,该方法有效且实用。     

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。     

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.     

基于动态加权差分主成分分析的故障检测

针对工业过程中存在的动态特性和多模态特性问题,提出一种动态加权差分主成分分析法(dynamic weighted differential principal component analysis,DWDPCA)。首先通过设置合理的时间窗描述系统的时序特性;其次对时间窗内的样本寻找第一近邻和第一近邻的近邻集,使用加权差分法对数据进行处理,解决数据中心漂移问题;最后利用处理好的数据建立主成分分析(principal component analysis,PCA)模型进行故障检测。该方法可解决数据动态、中心漂移问题。使用该方法对数值例子和TE(tennessee eastman)过程进行故障检测验证所提出方法的有效性。     

基于邻域保持嵌入-主成分分析的高压电缆状态数据异常检测及分析

为发现高压电缆异常状态并及时地发出异常告警,提出了一种基于邻域保持嵌入(neighborhood preserving embedding,NPE)和主成分分析(principal component analysis,PCA)的高压电缆异常状态检测方法。针对PCA只能保留数据全局结构信息的缺陷,提出将流形学习算法NPE与PCA结合,从而实现数据全局和局部特征信息的全方面提取;然后利用T2和SPE统计量作为电缆状态特征量,其控制限作为状态异常阈值判据,并推导出不同异常状态特征指标的贡献度,确定高压电缆主要异常指标;接着通过计算高压电缆各分段统计量的值,确定电缆异常区域;最后利用广东珠海供电局辖区内220 k V高压电缆统计资料验证所提策略的正确性。