基于WaveARX神经网络的非线性动态过程故障检测

研究了利用ＷａｖｅＡＲＸ神经网络构造非线性动态过程的非参数化逼近模型，在分析其逼近偏差的基础上提出了一种非线性次优滤波器设计方法，用于非线性动态过程的故障检测。理论分析和仿真研究证实了其可行性和有效性。     

基于动态核PCA的复杂废水处理过程在线故障检测

为了克服废水处理过程具有较强的非线性及动态特性,研究了基于主成分分析(principal component analysis,PCA)的在线故障检测.首先在PCA的基础上引入核函数,构造核主成分分析(kernel principal component analysis,KPCA)来优化模型结构,再通过嵌入动态模型来...     

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.     

基于邻域保持嵌入的主多项式非线性过程故障检测

针对化工过程的变量数据维数高、非线性的问题,提出基于邻域保持嵌入(NPE)-主多项式分析(PPA)的过程故障检测算法.应用NPE算法提取高维数据的低维子流形,能够解决传统的线性降维算法不能提取局部结构信息的问题,对维数进行约减.利用PPA法时,使用一组灵活的主多项式分量来描述数据,能够有效地捕捉过程数据中固有的非线性结...     

基于动态MDONPE算法的间歇过程故障检测

针对间歇过程数据存在的非线性和动态特性导致故障检测效果不佳的问题,提出一种基于滑动窗(sliding window,SW)的多向差分正交邻域保持嵌入(multiway differential orthogonal neighborhood preserving embedded,MDONPE)算法.首先对间歇过程数据...     

基于非线性回归的自适应特征提取算法

分析了针对相似图像的几种特征提取方法的特点及局限性,提出了一种新的基于非线性回归原理的印章自适应特征提取算法.针对一组相似印章样本,通过相关分析和显著性检验,确定特征的优化选取,并给出了相应的算法,取得了令人满意的实验结果     

基于动态结构保持主元分析的故障检测方法

为充分利用表征过程运行工况的数据特征信息,提高化工过程的故障检测性能,提出一种基于动态结构保持主元分析(DSPPCA)的过程故障检测方法。首先对原始数据采用变量相关性分析建立自回归模型,构建包含动态特征的数据集,进一步综合考虑主元分析法(PCA)和局部线性嵌入(LLE)流形学习算法中数据点之间的近邻关系,融合得出新的目标函数,同时,运用局部线性回归的方法获得高维样本的嵌入映射,特征提取后在特征空间和残差空间分别构造监控统计量进行故障检测。Swiss-roll数据集的降维结果及TE过程的仿真研究结果表明,DSPPCA算法可以取得较好的特征提取效果,具有较高的故障检测性能。     

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.     

一类非线性系统脉冲故障的检测与诊断

本文利用作者所提出的一种带次优渐消因子的扩展卡尔曼滤波器,给出了一类非线性系统脉冲故障的检测及诊断方法.这类故障包含了系统所受的强外部随机干扰和测量回路所受的强外部随机干扰.仿真实例说明了该方法的有效性.     

基于非线性映射的特征提取技术研究

从特征提取角度出发,分析了曲元分析法(CCA方法)的非线性映射算法原理,研究了曲元分析在高维数据本征维数提取中的应用,在此基础上提出了基于非线性映射曲元分析法的设备状态特征提取技术,对仿真和齿轮故障数据的研究表明,该方法能提取出对模式识别敏感的特征集,可有效用于机械设备的故障模式分类识别。     

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。     

基于过程神经网络的非线性动态系统辨识

研究了过程神经网络在非线性动态系统辨识方面的应用.针对传统神经网络在解决系统过程式输入和时间顺序依赖性问题时出现的使模型和算法复杂化的弊端,提出了一种时变输入输出的过程神经元网络模型作为系统的辨识模型,采用基于函数基展开的梯度下降算法,以油田井组注采系统为例验证了模型和算法的有效性,进而说明了过程神经元网络对于解决系统过程式输入的非线性动态系统辨识问题的适用性.     

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。     

冲击故障特征提取的非线性流形学习方法

为了提取机械设备故障引发的冲击成分,提出了一种基于非线性流形学习的冲击故障特征自适应提取方法.该方法将反映故障的振动信号重构到高维相空间中,利用局部切空间排列的流形学习方法提取出隐藏其中的低维流形,并基于峭度和偏斜度指标的特点,提出了冲击波形量化的取值策略,实现了高维相空间中局部邻域参数的自适应选取,从而提取出最优的冲击故障特征.通过仿真数据的对比分析和工程应用,表明该方法能够较好地提取出冲击成分信号,与小波软阈值方法相比,提取出的冲击特征成分更完整,周期性更好.     

基于核主元分析的滚动轴承故障混合域特征提取方法

为有效利用时域、频域、时-频域中各类具有显著类别差异信息的非平稳统计特征,提高滚动轴承状态监测和故障诊断的性能和效率,提出一种基于核主元分析的混合域特征提取方法.通过对原始信号分别生成时域、频域状态特征,并利用多分辨率小波分解生成时-频域状态特征,构建出144个表征原始振动信号特征的混合域特征集.采用核主元分析方法对其中能敏感地反映故障特性的特征进行二次非线性特征提取,按累计贡献率大于90％的标准,选取前11个核主元作为主要特征量,将其输入支持向量机分类器进行状态识别.仿真结果表明:混合域特征集比单个特征、单域特征能更全面准确地反映故障特性,核主元分析方法能有效降低输入特征维数,并确保输出特征具有较高的反映轴承运行状态的敏感性和适于模式识别的可分性;与通常使用的基于小波分解的特征提取方法相比,本文方法能更加准确有效地提取不同运行条件下滚动轴承不同类型不同程度的故障特征.     

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.     

基于随机共振的振动故障特征提取及可分性分析

为提高故障特征提取的准确性,将随机共振算法用于振动信号的预处理,在此基础上进行故障特征的提取。首先介绍了随机共振的降噪原理,并对适用于大参数信号的变尺度随机共振进行了分析,提出一种快速的频率压缩比R的寻优方法;为了验证本文提出的特征提取方法,分别提取了基于时域、频域和时频域的振动故障特征集;最后,应用类内类间离散度指标对故障集的分类性能进行了分析。分析结果表明,由随机共振输出信号提取得到的特征集的分类指标要明显优于原始信号提取的特征集,特征提取的准确性得到显著提高。     

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。