基于加权统计特征KICA的故障检测与诊断方法

针对核独立元分析（kernel independent component analysis, KICA）在非线性动态过程中对微小故障检测率低的问题,提出一种基于加权统计特征KICA（weighted statistical feature KICA, WSFKICA）的故障检测与诊断方法。首先,利用KICA从原始数据中捕获独立元数据和残差数据;然后,通过加权统计特征和滑动窗口获取改进统计特征数据集,并由此数据集构建统计量进行故障检测;最后,利用基于变量贡献图的方法进行过程故障诊断。与传统KICA统计量相比,所提方法的统计量对非线性动态过程中的微小故障具有更高的故障检测性能。应用该方法对一个数值例子和田纳西-伊斯曼（Tennessee-Eastman, TE）过程进行仿真测试,仿真结果显示出所提方法相对于独立元分析（ICA）、KICA、核主成分分析（kernel principal component analysis, KPCA）和统计局部核主成分分析（statistical local kernel principal component analysis, SLKPCA）检测的优势。     

基于奇异值分析的多模式工业过程监测

为适应市场需求变化、生产计划调整等要求,现代流程工业过程往往在多种操作模式之间切换。针对此问题,提出基于奇异值向量相对变化的模式识别方法,将整个过程划分为平稳子过程与过渡子过程交替的结构,对不同子过程应用不同的独立分量分析统计模型进行在线监测,并在TE过程仿真平台上进行了验证。结果表明,这种方法可以降低多元统计过程监测系统的误报率,从而提高过程监测的准确性和可靠性,同时进一步扩展独立分量分析多元统计过程监测技术的应用范围。     

基于CW-HCA联合指标的高含硫天然气净化过程故障监测

高含硫天然气（HSG）净化过程复杂,导致安全开发风险极高。因此保障净化系统可靠运行、实现过程安全生产具有重要意义。对于类似化工过程,在独立成分分析（ICA）方法基础上,高阶累积量分析（HCA）用样本三阶累积量代替均值方差构造统计指标大大提高了检测率。然而,HCA构造独立分量空间指标时未考虑不同独立分量间重要性差异,这可能致使监测结果经样本高阶累积后出现一定程度的偏差。同时,采用多指标监测策略可能出现指标间监测结果相互冲突问题。为此,提出一种基于贡献度加权高阶累积量分析（CW-HCA）联合指标的故障监测方法。该方法根据独立分量的贡献度对样本的三阶累积量进行加权;再将加权后的指标与残差空间指标联合获得联合指标,实现监测。TE以及HSG净化过程的实验结果表明,所提算法相比ICA算法、HCA算法具有有效性和优越性。     

基于CW-HCA联合指标的高含硫天然气净化过程故障监测

高含硫天然气(HSG)净化过程复杂,导致安全开发风险极高。因此保障净化系统可靠运行、实现过程安全生产具有重要意义。对于类似化工过程,在独立成分分析(ICA)方法基础上,高阶累积量分析(HCA)用样本三阶累积量代替均值方差构造统计指标大大提高了检测率。然而,HCA构造独立分量空间指标时未考虑不同独立分量间重要性差异,这可能致使监测结果经样本高阶累积后出现一定程度的偏差。同时,采用多指标监测策略可能出现指标间监测结果相互冲突问题。为此,提出一种基于贡献度加权高阶累积量分析(CW-HCA)联合指标的故障监测方法。该方法根据独立分量的贡献度对样本的三阶累积量进行加权;再将加权后的指标与残差空间指标联合获得联合指标,实现监测。TE以及HSG净化过程的实验结果表明,所提算法相比ICA算法、HCA算法具有有效性和优越性。     

基于核独立元分析的间歇过程在线监控

针对间歇过程独特的数据特点,提出了一种基于核独立元分析(kernelICA)的局部在线建模监控方法。核独立元分析通过规范相关性将比较函数扩展到一个再生的核希尔伯特空间,并用核的方法在此空间对比较函数进行计算和寻优。对含有多种分布的过程源数据,核独立元分析是一种比独立元分析(ICA)更有效的特征提取方法。对于按批次方向展开的间歇过程历史建模数据,在每一个时间间隔点应用核独立元分析算法提取独立元用于建模,并计算I2和SPE统计量及相应的控制限。此方法不需要对未来测量值进行估计,更重要的是解决了核独立元分析不能直接处理间歇过程高维历史建模数据的难题。仿真结果验证了所提出方法的可行性和有效性,并显示出比传统MICA更好的监控效果。     

基于ICA的控制回路故障诊断方法

针对控制回路中各种设备的监测信号之间存在较强的关联性和非高斯分布的特点,首次将独立分量分析法(ICA)用于控制回路的故障诊断中。分别选取回路中控制器输入和输出、执行器输出、变送器输入和输出作为信号观测点,选择控制回路正常运行状况的数据进行ICA建模,获得I2和SPE统计限,当控制回路某个元件发生故障时可以通过统计量的变化对其进行监测。此外,还采用均值贡献率进行故障点定位,有效降低了故障的误诊率。     

基于ICA混合模型的多工况过程故障诊断方法

针对工业过程数据的多模态和非高斯特性,提出一种基于独立元混合模型（independent component analysis mixture model,ICAMM）的多工况过程故障诊断方法。该方法将独立元分析与贝叶斯估计结合,同时完成各个工况的数据聚类和模型参数求取,并建立基于贝叶斯框架下的集成监控统计量实时监控过程变化。在检测到故障后,针对传统的变量贡献图方法无法表征变量之间信息传递关系的缺点,提出基于信息传递贡献图的故障识别方法。该方法首先计算各变量对独立元混合模型统计量的贡献度,进一步通过最近邻传递熵描述故障变量之间的传递性,挖掘故障变量之间的因果关系,从而确定故障源变量和故障传播过程。最后对一个数值系统和连续搅拌反应釜（CSTR）过程进行仿真研究,结果验证了本文所提出方法的有效性。     

Approach to Control Loop Fault Diagnosis Based on ICA

针对控制回路中各种设备的监测信号之间存在较强的关联性和非高斯分布的特点,首次将独立分量分析法( ICA)用于控制回路的故障诊断中.分别选取回路中控制器输入和输出、执行器输出、变送器输入和输出作为信号观测点,选择控制回路正常运行状况的数据进行ICA建模,获得I2和SPE统计限,当控制回路某个元件发生故障时可以通过统计量的变化对其进行监测.此外,还采用均值贡献率进行故障点定位,有效降低了故障的误诊率.     

基于特征工程和KELM的化工过程故障检测与识别

针对化工过程工艺复杂、数据非高斯性和耦合性强的问题,提出了一种基于特征工程与核极限学习机(kernel extreme learning machine, KELM)相结合的化工过程故障检测与识别方法。首先用独立分量分析(independent component analysis,ICA)将原始数据分离在相互独立的方向上,通过计算样本的统计量判断是否有故障产生。然后,对两个样本用互信息(mutual information, MI)进行相关性对比,通过贡献度与相关性进行变量选取,以提高分类的准确度。最后,将获取的特征输入到KELM中进行故障分类。为了提高网络的诊断精度,采用遗传算法对参数进行优化。应用于田纳西-伊斯曼(Tennessee Eastman,TE)过程与某工业脱丙烷过程的结果表明,该方法可有效地检测出故障并且准确识别故障种类。     

基于ICA混合模型的多工况过程故障诊断方法

针对工业过程数据的多模态和非高斯特性,提出一种基于独立元混合模型(independent component analysis mixture model,ICAMM)的多工况过程故障诊断方法。该方法将独立元分析与贝叶斯估计结合,同时完成各个工况的数据聚类和模型参数求取,并建立基于贝叶斯框架下的集成监控统计量实时监控过程变化。在检测到故障后,针对传统的变量贡献图方法无法表征变量之间信息传递关系的缺点,提出基于信息传递贡献图的故障识别方法。该方法首先计算各变量对独立元混合模型统计量的贡献度,进一步通过最近邻传递熵描述故障变量之间的传递性,挖掘故障变量之间的因果关系,从而确定故障源变量和故障传播过程。最后对一个数值系统和连续搅拌反应釜(CSTR)过程进行仿真研究,结果验证了本文所提出方法的有效性。     

基于独立分量分析的金属腐蚀声发射信号处理

介绍了独立分量分析的基本原理和以峭度为目标函数的独立分量提取算法的梯度算法,并通过实例说明了利用独立分量分析对金属腐蚀过程声发射信号进行分析的方法,验证了独立分量分析技术在声发射信号分析方面的优越性和实用性,表明独立分量分析在声发射信号处理等领域有着巨大的应用潜力。     

基于统计量模式分析的T-KPLS间歇过程故障监控

核函数的全影结构投影(total kernel projection to latent structures,T-KPLS)最近在故障监控领域取得了广泛应用, 其实质是对数据矩阵的协方差矩阵进行分解, 没有利用数据的高阶统计量等有用信息, 在进行特征提取时会造成数据有用信息的丢失, 导致故障识别效果差。为了解决此问题, 提出了统计量模式分析(statistics pattern analysis, SPA)与核函数的全影结构投影法(total kernel projection to latent structures, T-KPLS)相结合的多向统计量模式分析的核函数的全影结构投影法(multi-way statistics pattern analysis total kernel projection to latent structures, MSPAT-KPLS)。该方法首先构造样本的不同阶次统计量, 将数据从原始的数据空间映射到统计量样本空间, 然后利用核函数将统计量样本空间映射到高维核空间并在质量变量的引导下将特征空间分为过程变量与质量变量相关、过程变量与质量变量无关、过程变量与质量变量正交和残差4个子空间;最后针对与质量变量相关和残差空间建立联合监控模型, 当监控到有故障发生时进行故障变量追溯。最后将该方法应用到微生物发酵过程中, 并与传统方法进行比较, 发现该方法具有更好的监控性能。     

基于小波去噪与KECA的工业过程故障检测研究

提出一种基于小波去噪与核熵成分分析(WT-KECA)的方法。首先,利用小波变换对原始过程数据去噪,然后利用核熵元分析(KECA)进行数据降维与特征提取,保证信息量损失最小,并根据统计量SPE和T2来判断是否发生故障。通过对TE过程的仿真研究,验证了该方法的有效性和可行性。     

基于支持向量数据描述的非高斯过程故障重构与诊断

提出一种基于支持向量描述（SVDD）的统计过程监控与故障重构及诊断算法,避免了PCA、PLS等传统统计过程监控方法假设过程数据服从高斯分布的不足。鲁棒故障重构算法通过迭代保证重构后的数据对应的SVDD监控统计量最小化。诊断算法根据故障集中的不同故障重构后监控统计量是否恢复正常,确定实际发生的过程故障。CSTR过程的仿真研究表明了所提出方法的有效性。     

基于动态稀疏保局投影的故障检测方法

针对保局投影(locality preserving projections,LPP)没有考虑过程数据的全局信息和动态性的问题,提出一种新的基于动态稀疏保局投影(dynamic sparse locality preserving projections,DSLPP)的故障检测方法。该方法首先将原始数据矩阵扩展为考虑时序相关的增广矩阵,然后通过求解最优稀疏表示(sparse representation,SR)问题,得到能够表示数据全局稀疏重构关系的稀疏系数矩阵,并将其与LPP算法结合,构建综合考虑数据局部和全局关系的目标函数进行数据降维,最后分别在特征空间和残差空间构造T²统计量和Q统计量进行故障检测。TEP的仿真结果表明,与LPP方法相比,新方法能更迅速检测故障发生并降低过程监控漏报率。     

独立元子空间算法及其在故障检测上的应用

针对高维数据建模问题,提出一种独立元子空间算法(ICSM),作为一种新的集成学习算法,ICSM利用独立元在不同变量上的贡献度来选取子空间,符合了集成学习的要求,具备了明确的物理意义,有效地克服了随机子空间算法(RSM)的主要缺点。在此基础上,进一步将ICSM应用于工业过程监控,提出了一种新的ICSM-PCA故障检测算法。首先在各个子空间内分别建立相应的PCA监测模型,然后根据T~2和SPE统计量的值计算出集成时各自的权重,最后构造两个集成统计量对工业过程进行监测。通过在Tennessee Eastman(TE)模型上的仿真研究,说明提出的算法具有较好的建模效果和故障检测能力。     

基于局部相对概率密度kNN的多模态过程故障检测

针对多模态过程数据方差差异明显的空间分布特点,提出一种基于局部相对概率密度k近邻(LRPD-kNN)的多模态过程故障检测方法。首先对训练数据进行标准化,计算训练数据的局部相对概率密度估计值,消除多模态数据的方差差异。然后,对预处理后的数据建立kNN模型,计算统计量和控制限。对于测试数据,计算与训练数据局部相对概率密度的欧式距离平方和,通过比较统计量与控制限进行多模态故障检测。将该方法应用到数值例子和半导体生产过程,仿真结果表明,提出的算法效果要优于PCA、kNN和局部离群因子(LOF)方法,说明算法在方差差异较大的多模态过程故障检测方面具有很高的准确性。     

基于时间结构盲源信号分析的过程监控和故障诊断方法

化工过程中众多的测量变量信息通常可由少量的隐变量信息表达出来以便进行统计过程监视.针对过程中所采集的数据往往存在一定的时间结构（即过程不能满足独立同分布条件）的情况,提出了一种基于时间结构盲源信号分析的过程性能监控和故障诊断方法,以克服传统的统计过程分析的独立同分布要求.通过对非等温连续搅拌反应器（CSTR）的仿真研究表明,这种方法是可行的.为了与传统的独立成分分析（ICA）方法相比较,本文还作了相应的对比研究,结果表明,这种方法比基于传统ICA过程性能监控和故障诊断方法具有更少的误报率和漏报率,说明这种方法不但是可行的,并且是有效的.     

基于核熵独立成分分析的故障检测方法

传统核独立成分分析（KICA）依据特征值的大小进行降维,但是特征值大并不一定取得的信息熵贡献度也是最大的。针对这个问题,提出一种基于核熵独立成分分析（KEICA）的故障检测方法。将训练数据集投影在高维核空间,通过对数据信息熵的贡献大小选取核主成分,并建立独立成分分析（ICA）模型。对训练样本求{\mathit{I}}^{\mathrm{2}}和\mathrm{S}\mathrm{P}\mathrm{E}统计量,并利用核密度估计计算统计量的控制限。计算测试数据对训练数据的核矩阵,将其投影在ICA模型上并计算测试样本的统计量,统计量超出控制限的样本即可被识别为故障样本。将该方法用于非线性数值例子和Tennessee Eastman（TE）过程的故障检测,并与传统的核主成分分析（KPCA）、核熵成分分析（KECA）和KICA方法进行对比,表明KEICA的监测效果优于其他三种方法。     

基于核熵独立成分分析的故障检测方法

传统核独立成分分析（KICA）依据特征值的大小进行降维,但是特征值大并不一定取得的信息熵贡献度也是最大的。针对这个问题,提出一种基于核熵独立成分分析（KEICA）的故障检测方法。将训练数据集投影在高维核空间,通过对数据信息熵的贡献大小选取核主成分,并建立独立成分分析（ICA）模型。对训练样本求{\mathit{I}}^{\mathrm{2}}和\mathrm{S}\mathrm{P}\mathrm{E}统计量,并利用核密度估计计算统计量的控制限。计算测试数据对训练数据的核矩阵,将其投影在ICA模型上并计算测试样本的统计量,统计量超出控制限的样本即可被识别为故障样本。将该方法用于非线性数值例子和Tennessee Eastman（TE）过程的故障检测,并与传统的核主成分分析（KPCA）、核熵成分分析（KECA）和KICA方法进行对比,表明KEICA的监测效果优于其他三种方法。