基于PCA-SVDD的冷水机组故障检测方法

分析了基于PCA-SVDD方法的冷水机组故障检测效率,结合PCA和SVDD方法的优点,提出了一种基于PCA-SVDD的冷水机组故障检测方法.通过PCA将正常数据所在的测量空间分解为主元子空间和残差子空间,取正常数据的残差子空间得分矩阵作为目标类数据建立SVDD模型,利用RP-1043中冷水机组实验数据验证故障检测性能,并与传统PCA和SVDD冷水机组故障检测结果进行对比.结果表明:PCA-SVDD方法可用于冷水机组故障检测,进一步提高了故障检测能力,且故障检测结果整体优于传统SVDD和PCA方法;用于冷水机组常见的故障检测,获得了较高的冷水机组故障检测效率.此方法有利于及早发现故障,减少损失,对小幅故障检测效率的提高尤为明显.     

PCA在非线性系统传感器故障检测和重构中的应用

由于主成分分析(PCA)方法是一种线性算法,基于PCA的故障检测方法若直接运用于非线性系统的传感器故障检测和重构,会导致明显的故障误报和数据重构错误。为了使基于PCA的传感器故障检测和重构方法适用于非线性较严重的热工过程,对该方法进行了有效的改进。应用不同负荷下的历史数据,分别建立机组不同负荷下的局部PCA模型,再根据机组当前实际运行负荷选择相应的PCA模型进行传感器故障检测和重构,并结合相邻负荷PCA模型的计算结果进行数据融合,从而进一步提高了故障检测的准确性和重构精度。理论分析和现场实际应用表明,该算法能够对非线性较为严重的电厂热工过程进行精确的传感器故障检测和重构。     

基于PCA-DT的多联机制冷剂充注量故障诊断

针对多联机制冷剂充注量故障,提出了一种基于主成分分析-决策树(PCA-DT)算法的制冷剂充注量故障检测与诊断方法.该方法先通过数据预处理进行数据清理,然后利用PCA对原始数据做降维处理,最后将新的数据划分为训练集与测试集,以训练集建立决策树模型进行故障检测与诊断.实验数据测试集的检测与诊断结果验证了该模型的可行性.采集了某多联机在3个地区的实际运行数据,对建立的决策树模型进行进一步的验证,结果表明:该方法对于多联机的制冷剂充注量故障有良好的检测与诊断效果,且检测与诊断效果整体上要优于DT算法.     

基于PCA的火电厂湿法烟气脱硫系统的传感器故障诊断

提出一种基于主元分析(PCA)的故障诊断方法,用于解决火电厂湿法烟气脱硫系统的传感器故障诊断问题.该方法利用PCA建立故障诊断模型,通过计算平方预报误差、传感器识别指数、故障重构值,对传感器故障进行检测、识别及恢复.利用华能福州电厂湿法烟气脱硫系统的采集数据进行传感器的完全失效、偏差、漂移与精度等级下降等4种类型故障的...     

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.     

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。     

四效逆流降膜蒸发系统的建模与故障仿真

针对氧化铝生产蒸发过程难以控制、故障数据难以采集的现象,根据热力学的基本原理,利用奥秘仿真系统,用高保真的模型元件通过模块化的方法建立四效逆流降膜蒸发加三级闪蒸的氧化铝生产蒸发过程模型。根据氧化铝蒸发系统的特点,将模型分为4个蒸发器模块、3个预热器模块和3个闪蒸器模块。为了体现系统的中间过程,模型中把蒸发器模块分为蒸汽单元和物料单元。通过软件中模型计算和仿真验证模型的有效性,与氧化铝蒸发过程实际测量值相比较,证明模型能够很好地反映氧化铝蒸发的动态生产过程。此外,模型还设置一些实际过程中常发生的故障。研究结果表明:通过数据分析发现故障仿真结果与理论结果相符合,为故障检测和优化控制系统奠定了基础。     

基于APCA的电站热力过程故障传感器自适应检测方法

为自动适应电站热力过程的连续变化,提出了基于APCA的电站热力过程传感器故障诊断方法,通过模型参数的自动更新,使模型及时反映当前的系统状态,从而连续可靠运行.对PCA重构残差进行研究,在对电站实际测量数据可靠性分析的基础上提出了参数自适应预估计方法,利用预估计值来替代故障数据,以抑制残差污染,提高重构参数的准确性.利用电厂实际测量参数进行了算例分析,表明所提算法能很快适应系统状态变化,并给出正确的检测结果,即使在系统同时存在多个传感器故障时,通过对不良数据的检验,也能够获得准确的重构数据.     

Multi-PCA模型过程监测方法

为了研究具有大量高度相关的过程变量的非线性系统的故障诊断问题,提高用于故障检测和诊断的PCA模型的精度,提出一种基于多PCA模型的方法.设计的基于超椭球面的分类规则用来对过程数据分类,建立的多PCA模型用于过程监测,SOFM网络用于故障诊断.发酵过程中的仿真结果表明,多PCA模型方法能确定合理的受控限,提高了过程监测的精度,验证了方法的可行性和有效性.     

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。     

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PCA-BLS的三相整流装置故障诊断

针对三相整流装置突发故障时,检测复杂及诊断困难的问题,以三相桥式全控整流电路为研究对象,提出一种基于主元分析和宽度学习系统的故障诊断方法.提取负载输出电压为特征向量,经主元分析,对特征矩阵降维,消除数据相关性,保留数据基本特征;选择合适的初始参数,输入到宽度学习系统的网络中,构建故障诊断模型,对故障进行诊断.对比实验表...     

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。     

改进PCA及其在真空自耗炉故障诊断中的应用

针对过程变量呈均值阶段性变化的一类生产过程,提出了一种新的主成分分析(PCA)故障诊断方法.该方法通过高通滤波对过程变量进行状态变换,扩展系统,然后采用主成分分析方法对扩展系统进行统计建模,并基于该模型进行过程监测和故障诊断.该方法可以克服普通主成分分析不能消除均值变化对所建模型的负面影响,进而提高故障诊断的鲁棒性和灵敏性.将提出的方法在真空自耗电弧炉中进行应用研究,冷却水泄漏故障诊断结果表明,提出的方法是有效的.     

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...     

Nonlinear fault diagnosis method based on kernel principal component analysis

To ensure the system run under working order, detection and diagnosis of faults play an important role in industrial process. This paper proposed a nonlinear fault diagnosis method based on kernel principal component analysis (KPCA). In proposed method, using essential information of nonlinear system extracted by KPCA, we constructed KPCA model of nonlinear system under normal working condition. Then new data were projected onto the KPCA model. When new data are incompatible with the KPCA model,it can be concluded that the nonlinear system is out of normal working condition. Proposed method was applied to fault diagnosis on rolling bearings. Simulation results show proposed method provides an effective method for fault detection and diagnosis of nonlinear system.