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.     

基于高斯受限玻尔兹曼机的非线性过程故障检测

针对非线性工业过程,提出了一种基于高斯受限玻尔兹曼机(GRBM)模型的故障检测方法.该方法从海量过程数据中提取出GRBM隐层特征信息,通过隐层特征再构建出重构数据,并依据重构误差在残差空间中构建检测统计量,形成了非线性过程故障检测算法.仿真结果表明,基于GRBM的故障检测方法不仅比传统的核主元分析(KPCA)方法具有更好的故障检出率,并且针对大数据量问题具有更强的处理能力.     

基于IMDS-DLNS方法的工业过程故障检测

针对多维尺度变换(multidimensional scaling,MDS)方法对高维数据进行维数约简时,新样本缺少映射矩阵无法进行低维嵌入的问题,提出了增量式多维尺度变换(incremental multidimensional scaling,IMDS)方法。首先,引入双重局部近邻标准化(dual local nearest neighbor standardization,DLNS）技术以解决IMDS方法降维后数据仍然具有多中心、方差差异明显等问题;其次,采用Hotelling T²统计量对过程进行监控,组成增量式多维尺度变换和双重局部近邻标准化的故障检测方法(IMDS-DLNS);最后,通过数值模拟过程和青霉素发酵过程,将IMDS-DLNS方法分别与PCA,KPCA和FD-KNN等方法作对比分析。结果表明,IMDS-DLNS对比其他方法有更高的故障检测率。IMDS-DLNS方法对多变量、多模态过程具有良好的故障检测能力,能够保障产品质量和生产的安全性,可为工业过程故障检测研究提供参考。     

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.     

非高斯平稳相关载荷过程的线性组合

采用Winterstein的以矩为基础的上通率估计法，确定组合载荷的上通率及极值。利用Terada的矩估计法，确定组合载荷的统计矩。通过对具有不同概率密度函数的载荷过程的组合，分析了非高斯性和相关性对组合载荷特征值及载荷组合系数的影响。结果表明，当用平稳随机过程模拟载荷过程时，忽略非高斯性及相关性会导致组合载荷特征值的低估。     

一种新的间歇过程故障检测方法

针对间歇过程的多阶段问题,提出了一种新的划分阶段策略,可以将多阶段的数据进行准确的聚类,得到精确的阶段数目,避免陷入局部最优,提高了建模精度和故障检测准确度。首先采用不同展开方法相结合的方式对三维的间歇过程数据进行处理,消除了数据预估问题;其次结合图划分准则利用谱聚类方法将处理后的数据进行准确的阶段划分,并运用PCA建模方法分别对每一类进行建模;最后通过合适的模型对数据进行在线监控。通过青霉素仿真过程验证了本文方法的有效性。     

非高斯噪声环境下的智能粒子滤波多用户检测方法

粒子滤波适用于任何非线性非高斯系统的状态估计问题,具有应用灵活、适用范围广等优点．建议分布的选择恰当与否直接决定着粒子滤波的估计精度和估计效率．针对这一难点提出了采用粒子群优化算法来确定粒子的建议分布．粒子群优化算法作为新的群智能算法同样适应于各类非线性非高斯系统,采用该算法确定粒子滤波的建议分布保证了粒子滤波广泛的适应性,同时提高了估计精度．最后在Alpha稳定分布噪声环境下对CDMA系统多用户检测进行了仿真,结果表明,采用智能算法来确定粒子的建议分布极大地提高了粒子滤波的估计精度．     

多变量过程传感器故障检测的SVM方法

提出一种适用于具有纯滞后多变量过程的传感器故障检测方法.该方法结合支持向量机回归算法与数据驱动的信息融合技术,给出一种采用广义支持向量机观测器的传感器故障检测、分离和数据恢复系统的架构.每个关键传感器都配置一个由过程输入和除被监视传感器之外的过程输出共同驱动的观测器,对传感器实际输出与观测器输出进行了比较,并对数据的有效性进行了确认.多组分精馏塔系统实验表明,该方法能够对过程传感器故障进行检测,并且具有较好的鲁棒性.     

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。     

基于加权距离邻域选取策略的多模态过程故障检测

针对多模态过程数据密度不规则性提出的一类基于密度的方法,大多是以欧式距离为基础来比较彼此间的相似性,从而检测过程是否发生故障。然而多模态数据密度在较小范围内变化较大,采用欧式距离很难获得全面的数据信息。本文提出了一种新的基于加权距离选择邻居的策略,该策略首先对距离进行合理的加权,再根据新的加权距离重新选择样本点的邻居,能有效地避免数据信息不全面的问题。在仿真实验中,首先通过比较基于传统的欧式距离和基于本文加权距离选取的邻居,说明本文策略的优越性;进而将该策略与局部离群因子(Local Outlier Factor,LOF)结合用于TE过程,对TE过程的仿真结果表明该策略在应用于基于密度的检测方法上获得了的良好效果。     

基于递推规范变量分析的时变过程故障检测

由于规范变量分析(CVA)不适应过程的时变特性,容易把正常的过程改变识别为故障.因此,针对时变过程提出一种故障检测方法是十分必要的.采用指数权重滑动平均来更新过去观测矢量的协方差矩阵.递推CVA有较高的计算负荷是需要解决的关键问题.通过引入一阶干扰理论来递推更新Hankel矩阵的奇异值分解(SVD).与普通奇异值分解相比,显著降低了递推算法的计算负荷.将提出的基于一阶干扰理论的递推规范变量分析(RCVA-FOP)应用于田纳西伊斯曼化工过程中.仿真结果表明,所提出方法不仅能有效适应过程的时变特性,而且可以有效检测到两种类型的故障.     

机械式自动变速器的挡位检测与控制

通过改造传统的机械式变速器（手动变速器）使其实现自动换挡，需要传感器对挡位进行检测，利用执行机构对挡位进行控制。提出了一种利用非接触式光电形状检测挡位的方法，对于5挡变速器，分别利用2个开关检测3个选挡位置和2个开关检测3个换挡位置。通过对检测到的开关信号进行合理的编码，就能利用4个光电开关实现对5挡变速器的9个档位位置的检测。这种方法不仅使挡位检测的开关个数减少，硬件开销少，而且进行挡位控制的控制程序极其简单。同时还给出了挡位检测原理以及挡位控制程序流程图。     

基于Kriging模型的冷水机组故障检测与诊断方法

提出应用Kriging模型对冷水机组进行故障检测与诊断(FDD),采用ASHRAE RP-1043项目中无故障运行数据建立并验证冷水机组Kriging模型.利用参数敏感性原理对比T-统计方法和指数加权移动平均(EWMA)方法,对比结果表明,EWMA方法提高了参数敏感性.结合Kriging模型、EWMA方法和故障诊断规则表,用实测故障数据对冷水机组故障进行检测与诊断,检测和诊断的故障包括冷凝器结垢、制冷剂充注过多、制冷剂泄漏、不凝性气体、冷冻水流量减少和冷却水流量减少6个故障.诊断结果表明,应用Kriging模型能够准确有效地检测与诊断冷水机组不同水平的故障.     

非高斯乘性噪声环境下伪码捕获方法

针对非高斯乘性噪声环境提出了一种伪码捕获方法,将伪码捕获等价为假设检验问题,利用局部最佳检测算法推导出非高斯乘性噪声环境下的伪码捕获检测统计量.给出了基于局部最佳检测算法的捕获结构,并与传统的平方和检测器和非高斯加性噪声环境下局部最佳检测器进行了性能仿真对比.结果表明,文中所提出的捕获方法在非高斯乘性噪声环境下检测性能有较大幅度的提高.     

基于小波分析和共振解调的故障诊断方法

介绍小波分析和共振解调技术的原理及在机械设备故障诊断中的应用。讨论小波分析和共振解调技术之间的内在联系与应用。     

基于卷积神经网络的小目标交通标志检测算法

PVANet(performance vs accuracy network)卷积神经网络用于小目标检测的检测能力较弱.针对这一瓶颈问题,采用对PVANet网络的浅层特征提取层、深层特征提取层和HyperNet层(多层特征信息融合层)进行改进的措施,提出了一种适用于小目标物体检测的改进PVANet卷积神经网络模型,并在TT100K(Tsinghua-Tencent 100K)数据集上进行了交通标志检测算法验证实验.结果表明,所构建的卷积神经网络具有优秀的小目标物体检测能力,相应的交通标志检测算法可以实现较高的准确率.     

基于均值漂移模型的异常值检测方法

由于异常值的存在对统计推断有很大影响,因此异常值检测是数据分析中的一个重要步骤。对于横截面数据的线性模型,改写模型的设计矩阵后,基于均值漂移模型,利用系数压缩估计方法来进行异常值检测。由于系数压缩估计中调节参数的选择对检测效果有很大影响,基于两种调节方法的加权,提出了一种新的调节方法。数值模拟结果表明,使用这种基于均值漂移模型的异常值检测调节方法,可以显著降低犯两种错误的概率。