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.     

基于等距离映射的非线性动态故障检测方法

针对化工过程数据强非线性和动态性的特点,提出了一种基于动态等距离映射(Dynamic Isometric Mapping,DISOMAP)流形学习的非线性过程故障检测方法.该方法首先采用DISOMAP算法提取训练样本的子流形特征,自适应学习近邻点参数,保留了采样数据的流形结构,然后运用线性回归方法得到原空间和降维子流形空间的投影映射,从而将观测数据从原高维空间映射到低维嵌入空间,最后在变换后的低维空间构造统计量T2和SPE进行监控.TE过程的仿真结果表明,所提出的DISOMAP故障检测方法可以比核主元分析(Kernel Principle Component Analysis,KPCA)更为有效地监控过程变化,检测到故障的发生.     

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.     

高精度故障电弧检测多传感器数据融合算法

 由于故障电弧的物理特性复杂, 且电路中存在与故障电弧波形相似的负载, 因此传统 检测故障电弧的方法误判率较高. 提出了一种多传感器数据融合算法, 用于提高故障电弧的检测精度. 该算法包括自适应加权融合算法和神经网络融合算法, 实现了对温度传感器、声音传 感器和弧光强度传感器所获取的传感信号的数据融合. 自适应加权融合算法克服了单个传感 器的不确定性, 实现了同质传感器中故障电弧特征的提取, 为神经网络融合算法提供了精确的测试样本数据; 神经网络融合算法可自行调整各类异质传感器的权重, 使故障电弧的辨识率更高. 实验结果表明, 该算法可有效提取故障电弧的特征, 辨识精度超过98%, 实现了高精度的故障电弧检测.     

基于动态核主元分析的电缆接头故障检测方法

针对环网柜电缆接头故障发生前后时刻的时间相关性较强,且故障的发生是一个非线性过程,将动态核主元分析应用于环网柜电缆接头故障检测并建立故障检测模型.该模型可以在解决非线性变量难以分离的同时提取变量之间的动态自相关特性,并通过建立动态核主元在线监测模型及时检测故障的发生.最后对采集的环网柜电缆接头故障数据进行实验分析,实验结果证明所提方法能有效地检测出环网柜电缆接头故障的发生,且检测精度和误报率均优于之前的算法.     

基于SPA间歇过程故障诊断的MKNPE算法

非线性特性是工业过程的显著特性,特别是间歇过程有着更强的非线性,而且传统方法只是对数据的协方差矩阵进行分解,忽略数据高阶统计量信息,从而无法充分提取非线性过程的有效信息导致诊断效果不佳.针对以上问题,提出了基于统计量的多向核邻域保持嵌入算法.该算法首先引入统计量模式分析方法(SPA)将样本数据投影到统计量样本空间中,可以更充分地提取非线性数据的高阶统计量信息;然后在统计量空间中通过核函数将统计量样本映射到高维核空间,用以解决数据的非线性;最后在高维核空间中应用邻域保持嵌入算法充分提取数据的局部结构来对间歇过程进行监控,检测到过程故障后用变量贡献图法诊断出故障变量.通过青霉素发酵过程验证了该算法对强非线性的间歇过程故障诊断是有效的.     

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.     

基于时序结构KICA和OCSVM的过程故障检测方法

核独立元分析故障检测方法中,快速独立元分析法易受分离矩阵初值影响且没有考虑数据的时序结构信息,Mahalanobis距离型监控量会导致故障检测率的降低。针对以上问题,提出基于时序结构核独立元分析和单类支持向量机的故障检测方法,将核独立元求解问题转化为核白化数据时延协方差矩阵加权和的特征值分解问题,采用提取的独立元建立单类支持向量机统计模型,构造监控统计量来检测过程故障。独立元信号提取实验和田纳西-伊斯曼(TE)过程故障检测实验表明:所提方法能够有效利用数据的时序结构信息,避免分离矩阵初值对独立元提取的影响,能够有效缩短故障检测的延迟时间,提高故障检测率。     

基于多向Fisher判据分析的间歇过程性能监控

针对传统的间歇过程监控方法,在建模时只利用正常工况下的数据,其故障诊断能力并不令人满意的问题,提出了多向Fisher判据分析(MFDA:Multiway Fisher Discriminant Analysis)方法,用于间歇过程的监控.该算法同时利用正常工况和故障条件下的数据进行建模,其故障诊断能力要优于MPCA(Multiway Principal Component Analysis),在故障检测的同时也实现了故障的诊断.通过对实际工业链霉素发酵过程数据分析,表明该算法是可行的,可以获得较满意的故障诊断结果.     

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。     

带扰动的线性系统微小故障早期诊断方法

针对带有未知扰动的线性系统微小故障的早期诊断,提出一类综合自适应滑模观测器方法,使得该观测器既能估计微小故障又能对未知扰动有强鲁棒性.将线性系统通过坐标变换解耦为两个子系统,其中:一个子系统与扰动无关,对其设计自适应观测器,实现对微小故障的检测;另一个子系统既受未知扰动又受微小故障的影响,对其设计滑模观测器,以消除未知扰动的影响,从而保证系统的强鲁棒性.通过四旋翼直升机模型验证了所提出的综合自适应滑模观测器微小故障早期诊断检测算法的有效性.     

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。     

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.     

基于主成分分析法的变风量空调系统传感器故障诊断

在已经建立的建筑空调系统仿真器的基础上,针对变风量（VAV）空调系统的传感器故障,提出一种基于主成分分析（PCA）和法则相结合的传感器故障诊断方法。建立了PCA模型,将由传感器测量值所组成的测量空间分解为主成分和残差两个子空间,进行故障检测后再由基于法则的策略进行故障重构。仿真试验表明,该方法不仅能够准确地检测并隔离传感器故障,而且可以初步地进行故障重构,为进一步研究传感器的故障诊断提供了必要的基础。     

基于集成核熵成分分析算法的工业过程故障检测

针对核熵成分分析算法(kernel entropy component analysis, KECA)为不同的故障选择相同的核参数影响检测效果的问题,提出了一种基于集成核熵成分分析(ensemble kernel entropy component analysis, EKECA)算法的工业过程故障检测方法。首先,选取一系列具有不同宽度参数的核函数将非线性数据投影到核特征空间,选取Rényi熵值贡献较大的特征值和特征向量,得到转换后的得分矩阵,建立多个KECA子模型;然后,将测试数据投影到各KECA子模型上,计算各KECA子模型的统计量,得到检测结果;最后,将各KECA子模型的检测结果利用Bayesian决策进行概率换算,利用集成学习法计算检测结果统一的统计量,判断其是否超出控制限,并将该算法应用于数值例子和TE过程。仿真结果表明,与传统的EKPCA,KECA等算法相比,所提方法有效提高了故障检测率,降低了误报率。新方法解决了传统KECA算法中不同故障核参数的选择问题,为提高KECA算法在非线性工业过程故障检测中的性能提供了参考。     

基于差分进化和核主元分析的燃气轮机故障检测

燃气轮机气路部件的状态检测参数具有极强的非线性,其故障特征难以提取,而利用传统核主成分分析(KPCA)进行故障检测难以对核参数进行科学取值,从而降低故障检测的准确性.针对该问题,论文提出了基于优化混合核的核主元分析故障检测算法(DE-KPCA).首先建立动态权值混合核函数,通过调节核函数的权重比实现全局映射和局部映射优化组合.以样本检测精度作为优化目标,对混合核参数进行逐次优化.最后构造了基于优化混合核函数的主元异常状态检测方法,实现对燃气轮机气路故障的在线检测.本文通过对双轴涡喷发动机气路故障仿真的验证,证明了该方法相较传统KPCA检测,能够实现核参数的科学取值且对燃气轮机气路故障检测具有更高的准确性和实用性.     

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。