基于MKECA间歇过程多阶段故障监测方法研究

针对间歇过程的非线性、多阶段性等特点,提出一种基于核熵成分分析(KECA)的间歇过程多阶段故障监测方法。首先将过程数据通过KECA核映射到高维特征空间内,依据核熵与角结构相似度对间歇过程进行阶段划分;接着引入沿批次-变量的三维数据向二维数据展开方式,并在每个子阶段建立多向核熵成分分析(MKECA)非线性故障监测离线模型,采用新型基于角结构相似度计算统计量控制限,无需假设过程变量服从高斯分布;最后,计算监测采样点角结构相似度统计量实现间歇过程的多阶段在线故障监测。本文利用青霉素仿真实验数据进行仿真实验,验证了该方法的可行性与有效性。     

核熵成分分析算法及其在化工过程监控中的应用研究

针对化工过程监测数据复杂、非线性等特点,本文将一种新的降维算法一核熵成分分析算法应用到化工过程监控。与其他的多元统计分析方法相比,核熵成分分析算法可以保证数据降维过程中的信息损失最小从而建立更加可靠的统计模型,进而提高故障检测的检出率。与核主成分分析相似,核熵成分分析也是将数据映射到一个高维空间,在高维空间中进行主元分析,不同之处是KECA在选取主元时采用了信息保有量较大的主元,使得数据在降维后的信息损失量更少。本文使用某石化企业的润滑油重质过程的数据测试算法监控效果,核熵成分分析算法的故障检出率为98.2%,比核主成分分析算法(69.706%)要高。实验结果显示,核熵成分分析算法的化工过程监控效果优于核主成分分析算法。     

基于核典型相关性-熵成分分析的工业过程质量监测方法

工业过程多变量、数据高维度和非线性的特点使得对其质量监测及质量相关的故障诊断变得复杂.融合核熵成分分析(KECA)及典型相关分析(CCA)方法的思想,进行特征提取降维的同时确保所提取特征与质量变量的最大相关性,提出一种新的质量相关的工业过程故障检测方法.首先,采用KECA对输入数据进行核空间的映射及特征提取,同时融合CCA算法思想使得所提取特征与质量变量间关联最大化;然后,构建监测统计量并用Parzen窗估计其控制限,用于过程的故障检测;最后,运用所提方法对带钢热连轧工业过程实际生产数据进行分析,并与其他4种传统非线性算法对比分析,实验结果验证了所提方法的准确性、有效性及先进性.     

基于子时段MPCA-SVM的间歇过程在线故障诊断

针对基于支持向量机(Support Vector Machine,SVM)的间歇过程故障诊断准确率低的问题,结合间歇过程的时段特性,提出了一种基于子时段MPCA-SVM的间歇过程在线故障诊断方法。首先,利用多向主成分分析(Multi-way principal component analysis,MPCA)提取出间歇过程正常运行状态下的每个采样点的主成分,将相邻的且具有相同主成分个数的采样点归到同一粗划分时段内,再在每一个粗时段内利用相邻采样点的负载矩阵的角度信息作为相似性判据来细化分时段;其次,对每个时段建立MPCA在线过程监测模型,同时,利用MPCA提取每个时段内各个类型故障的特征,并用特征数据建立SVM故障诊断模型;最后,MPCA监测模型实施监测功能,当检测到故障时,相应时段的SVM故障诊断模型进行诊断。将该方法应用于青霉素发酵过程仿真平台进行验证,该方法相比于不分时段的SVM的故障诊断方法,平均可提高故障诊断准确率11%,实验结果表明了该方法的有效性和可行性。     

基于MW-KECA与变量贡献SVDD的间歇过程故障检测系统

针对间歇过程的非线性和时变性特点以及故障易误报的问题,提出了一种将移动窗-核熵成分分析(MW-KECA)故障监测与基于变量贡献的支持向量数据描述(SVDD)故障诊断集合而成的故障检测系统.MW-KECA方法构建局部模型能有效处理数据的时变性,同时保留KECA优秀的非线性处理能力.故障诊断中以各变量对CS统计量-向量间角...     

基于瞬时频率响应函数的间歇过程时段划分

多时段特性是间歇过程的本质特性之一,对间歇过程实现有效的时段划分是故障监测的基础。传统的时段划分方法大多针对过程的输入输出数据,对输入输出数据突变较为敏感。本文提出一种基于瞬时频率响应函数的间歇过程时段划分方法,该方法基于系统的瞬时动态特性,用瞬时频率响应函数替代输入输出数据进行时段划分,利用小波变换估计系统的瞬时频率响应函数进行核主元分析降维,通过模糊C均值聚类对降维后频率响应函数进行聚类划分时段。实验结果表明,本文所提出的方法能够实现对间歇过程的时段划分,并具有较高的鲁棒性。     

基于量子粒子群优化SVM算法的水质预测研究

水质分类受多个特征属性影响。采用支持向量机（Support Vector Machine, SVM）方法研究水质预测问题。对特征属性过多导致SVM的分类精度下降的问题，采用主成分分析算法进行特征降维。针对SVM中的多参数优化问题，采用量子粒子群优化算法对SVM参数（核函数、惩罚因子）进行寻优。提出了一种基于主成分分析和量子粒子群优化的SVM算法。实验结果表明，该方法能够快速提取出最优参数组合，其泛化性能较高。     

基于核熵成分分析的数据降维?

针对高维数据的维灾问题,采用核熵成分分析方法降维数据,并与主成分分析及核主成分分析方法进行对比。降维后的数据利用支持向量机算法进行分类,以验证算法有效性。实验结果表明,KECA在较低的维数时仍然能获得较好的分类精度,可以减少后续的处理复杂度和运行时间,适用于机器学习、模式识别等领域。     

基于核熵成分分析的电梯故障识别方法研究

电梯作为复杂且重要的城市运输工具,对其故障类型检测判别一直是市场监管部门的重点关注对象。提出一种基于核熵成分分析(KECA)的电梯故障识别和判断方法,KECA具有较好的非线性处理能力及聚类能力,适用于电梯不同类型故障数据的降维聚类分析。通过KECA将采集的钢丝绳滑移量、安全钳的提拉力、限速器的转速、抱闸拉力、上下行电流、上下行速度等电梯特征数据进行降维和聚类分析,通过计算样本与各聚类中心的距离,从而来判断电梯的故障类型。通过实验数据分析,证明KECA模型对电梯故障的诊断具有很好的正确率,可以作为电梯运行过程风险识别的重要参考。     

PCA-SVM在模拟电路故障诊断中的应用

主元分析法(PCA)通过提取故障样本集的主元得到降维的特征空间,利于故障特征提取;支持向量机(SVM)应用于故障诊断时具有良好分类性能;结合两者优点,提出了基于PCA特征提取和SVM相结合的模拟电路故障诊断识别新方法:对电路输出响应信号进行PCA处理,提取故障特征的主成分,然后利用多类SVM对故障模式进行分类决策,实现故障诊断;仿真实验结果表明,该方法能够实现模拟电路故障的快速检测与故障定位,具有速度快、精度高、鲁棒性好的特点。     

基于高阶累计统计量的微生物发酵过程监测

传统多向核独立成分分析(MKICA)方法的实质是把基于独立成分分析(ICA)中的白化处理主元分析(PCA)替换为核主元分析(KPCA)后利用二阶统计量进行过程监控,并未利用过程数据的阶段特性和高阶累积量信息,为了解决此问题,提出高阶累积量分析(HCA)与多向核熵独立成份分析(MKECA)相结合的多向高阶累计量的核熵独立成分分析方法(HCA-MKEICA).首先,采用核熵独立成份分析(KECA)对原始数据进行数据转换,解决数据的非线性;然后,在高维核熵空间利用HCA技术构建新的统计量用于过程监控;最后,将该方法应用于青霉素仿真平台和实际的工业过程并与MKICA方法进行对比,以验证所提出方法的有效性.     

基于扩展核熵负载矩阵的发酵过程故障监测

为有效降低多阶段发酵过程硬分类缺陷而导致的误报和漏报率,本文提出了一种基于扩展核熵负载矩阵的阶段划分策略.首先,将发酵过程的三维训练数据按批次方向展开成二维数据矩阵,对每个时间片矩阵进行核熵成分分析(kernel entropy component analysis,KECA)得到其主元和负载矩阵,根据所得主元个数实现操作阶段的第1步划分;之后将时间片矩阵添加到核熵负载矩阵当中得到扩展核熵负载矩阵,计算各扩展负载矩阵间的相似度,并用模糊C–均值方法对其进行第二次阶段划分.通过增加对体现生产过程改变的时间指标的考虑,有效克服了硬化分的不足,避免了跳变点错分的情况.最终将整个生产操作过程划分为不同的稳定阶段和过渡阶段,并在划分的每一阶段中分别建立KECA监测模型;最后利用青霉素发酵仿真平台和大肠杆菌生产白介素–2数据进行实验.实验结果表明该方法不但可以准确地对生产过程进行阶段划分、降低误报率,而且可以使生产过程故障监测的时间大大提前.     

基于KLLDA和ELM的新型模拟电路故障诊断方法

模拟电路是工业设备中最重要的元器件,其故障可能造成重大的人员伤亡,甚至造成巨大的经济损失。针对这一问题,提出一种基于核局部线性判别分析(Kernel Local Linear Discriminant Analysis,KLLDA)的故障诊断方案。利用小波分析和统计分析对原始信号进行预处理,得到原始特征集;利用KLLDA方法进行降维,并与核主成分分析(Kernel Principal Component Analysis,KPCA)和核线性判别分析(Kernel Linear Discriminant Analysis,KLDA)方法进行比较;采用极限学习机(Extreme Learning Machine,ELM)对测试电路的故障进行定位。对两个故障诊断案例的实验结果表明了该方法的有效性,并表明KLLDA在降维方面总体上优于KPCA和KLDA。     

基于改进鲸鱼算法寻优SVM的船用柴油机燃油系统故障诊断方法研究

鉴于船用柴油机的复杂性,难以及时有效地进行维护保养决策,故此提出一种拉普拉斯分值和改进鲸鱼算法的支持向量机相结合的故障诊断方法.首先利用LS对征兆样本集进行降维处理,然后通过IWOA来优化SVM的惩罚因子和核参数,构造成分类器模型来进行故障诊断.将改进的算法与传统的算法进行比较,验证了改进鲸鱼算法寻优SVM在故障诊断方面的有效性.     

A Novel MDFA-MKECA Method With Application to Industrial Batch Process Monitoring

For the complex batch process with characteristics of unequal batch data length, a novel data-driven batch process monitoring method is proposed based on mixed data features analysis and multi-way kernel entropy component analysis (MDFA-MKECA) in this paper. Combining the mechanistic knowledge, different mixed data features of each batch including statistical and thermodynamics entropy features, are extracted to finish data pre-processing. After that, MKECA is applied to reduce data dimensionality and finally establish a monitoring model. The proposed method is applied to a reheating furnace industry process, and the experimental results demonstrate that the MDFA-MKECA method can reduce the calculated amount and effectively provide on-line monitoring of the batch process.      

基于LNS-DEWKECA算法的多模态工业过程故障检测

受市场需求主导,工业过程需要在多种工作模态下切换,数据往往呈现多模态复杂分布特性,研究多模态的故障检测技术对于保障工业过程的安全运行具有重要意义.为此,提出一种基于局部近邻标准化(LNS)和方向熵加权核熵成分分析(DEWKECA)的故障检测算法.利用LNS实现多模态数据的标准化,相比于全局标准化, LNS可以有效消除多模态特性;考虑到故障样本与正常样本在变化趋势上的差异,定义样本变化方向的信息熵为方向熵,用来衡量样本变化方向的无序程度,从而利用DEWKECA实现数据降维,可以更有效提取数据变化方向特征;考虑到多模态数据往往服从非高斯分布,采用局部离群因子(LOF)算法建立监控统计量,根据核密度估计确定其控制限.最后,通过数值例子及TE过程仿真验证所提出算法的有效性.     

Fault diagnosis and classification framework using multi-scale classification based on kernel Fisher discriminant analysis for chemical process system

Fault detection and diagnosis (FDD) in chemical process systems is an important tool for effective process monitoring to ensure the safety of a process. Multi-scale classification offers various advantages for monitoring chemical processes generally driven by events in different time and frequency domains. However, there are issues when dealing with highly interrelated, complex, and noisy databases with large dimensionality. Therefore, a new method for the FDD framework is proposed based on wavelet analysis, kernel Fisher discriminant analysis (KFDA), and support vector machine (SVM) classifiers. The main objective of this work was to combine the advantages of these tools to enhance the performance of the diagnosis on a chemical process system. Initially, a discrete wavelet transform (DWT) was applied to extract the dynamics of the process at different scales. The wavelet coefficients obtained during the analysis were reconstructed using the inverse discrete wavelet transform (IDWT) method, which were then fed into the KFDA to produce discriminant vectors. Finally, the discriminant vectors were used as inputs for the SVM classification task. The SVM classifiers were utilized to classify the feature sets extracted by the proposed method. The performance of the proposed multi-scale KFDA-SVM method for fault classification and diagnosis was analysed and compared using a simulated Tennessee Eastman process as a benchmark. The results showed the improvements of the proposed multiscale KFDA-SVM framework with an average 96.79% of classification accuracy over the multi-scale KFDA-GMM (84.94%), and the established independent component analysis-SVM method (95.78%) of the faults in the Tennessee Eastman process.