基于核规范变量分析的非线性故障诊断方法

提出一种基于核规范变量分析（KCVA）的非线性过程故障诊断方法．该方法使用核函数完成非线性空间到高维线性空间的映射，避免了高维空间中的数据处理和非线性映射函数的使用．在线性空间中使用规范变量分析（CVA）来辨识状态空闻模型，从数据中提取状态信息．3个监测量（Tr^2，Ts^2，Q）用来进行故障检测，同时使用贡献图分离故障变量，并判断故障原因．在CSTR系统上的仿真结果表明，KCVA方法比主元分析法（PCA）和CVA方法能更灵敏地检测到故障的发生，更有效地监控过程变化．     

基于KPCA的监控系统传感器异常诊断方法

针对监控系统数据异常时,故障检测准确性不高的问题,提出一种基于监控系统传感器异常的核主元分析(KPCA)检测方法.利用平方预报误差(SPE)统计量和均方贡献值法进行故障检测和故障源的定位,改善了主元分析(PCA)应用于非线性系统故障检测准确性低的问题.分别利用基于KPCA和PCA的故障检测模型进行仿真比较.实验结果表明:KPCA提高了非线性监控系统传感器异常诊断的准确性.     

基于KPCA-PNN的复杂工业过程集成故障辨识方法

针对核主元分析方法在复杂工业在线监控过程中易出现的核矩阵KKK难以计算和初始故障源难以辨识的问题,提出了一种基于核主元分析和概率神经网络的集成故障辨识方法．首先通过特征样本提取方法预处理工业数据集,然后采用核函数主元分析的Hotelling统计量T2和SPE方法检测故障,采用核函数梯度算法定义了两个新的统计量CT2和CSPE,计算了每个监控变量对统计量T2和SPE的贡献程度,并提取了故障特征．最后,利用概率神经网络技术进一步从关联故障特征中辨识出初始故障源．将上述故障诊断方法应用到TennesseeEastman（TE）化工过程;多种故障模式下的仿真结果显示,该方法能够有效地检测并辨识出多种故障类型．     

基于主元分析得分重构差分的故障检测策略

基于主元分析(PCA)的统计过程控制方法通常假设数据的生成过程是独立同分布的.当数据存在多模态结构或过程变量非线性相关时, PCA方法的故障检测性能将受到影响.针对上述问题,本文提出一种基于PCA得分重构差分的故障检测策略.首先,应用PCA将输入空间分解为主元子空间和残差子空间;接下来,应用k近邻(k NN)规则重构当前样本得分向量并计算样本的得分重构差分向量;最后,计算得分重构差分向量的统计值并进行故障检测.本文方法不仅可以降低数据多模态和变量非线性相关等特征对过程故障检测的影响,同时可以降低统计量的自相关性、提高过程故障检测率.将本文方法在两个模拟例子和田纳西–伊斯曼(TE)过程中进行测试,并与PCA、核主元分析(KPCA)、动态主元分析(DPCA)和k最近邻故障检测(FD–k NN)方法进行对比分析,测试结果证明了本文方法的有效性.     

一种改进的马氏距离相对变换主元分析方法及其故障检测应用

目前, 主元分析方法(PCA)在数据处理、模式识别、过程监测等领域得到了越来越广泛的应用, 但仍存在部分关键问题亟待解决. 本文为了提高PCA方法的故障检测性能, 进行了一系列的改进, 首先, 本文引入相对变换的概念, 使用马氏距离相对变换直接消除量纲, 通过理论推导证明了马氏距离相对变换可以对数据不进行标准化直接进行数据变换, 而且给出了在相对空间内数据进行PCA变换的合理解释, 表明了基于马氏距离相对变换的PCA故障检测方法可以有效的消除变量量纲对数据的影响, 提高数据的可分性. 其次, 改进了SPE监控指标, 提出一种基于马氏距离的平方预测误差指标, 更有效地实现对工业过程的故障检测. 最后, 将两种改进方法相结合, 提出改进的马氏距离相对变换PCA故障检测方法, 并以轧钢过程活套系统为背景, 实际数据仿真结果表明: 与PCA以及其它改进方法相比, 本文提出的方法具有更好的故障检测性能和实时性, 能准确、有效地检测出活套故障.     

基于小波变换核主元分析和多支持向量机的过程监控

针对过程工业数据中所含的噪声和干扰信号、过程工业的非线性及基于主元分析(Principal Component Analysis,PCA)的统计性能监控法由于不用过程机理模型的信息从而对故障诊断问题难以在理论上作系统分析的缺陷,提出基于小波变换核主元分析和多支持向量机的过程监控方法,该方法首先采用基于小波变换的收缩阈值去噪法对建模数据进行预处理,以有效抑制过程数据中所含的噪声和干扰信号,然后利用核主元分析来进行故障特征的提取,从而提高非线性统计过程监控的准确性;最后提出多支持向量机用来对故障的来源进行分类,以避免求解核主元空间到原始空间的逆映射.将该方法应用到对TE(Tennessee Eastman,TE)过程的监控,表明了所提出方法的有效性,为过程的监控和故障诊断提供了一个新的方法.     

基于独立元的k近邻故障检测策略

k近邻故障检测(fault detection based on k nearest neighbors,FD–k NN)方法能够提高具有非线性和多模态特征过程的故障检测率.由于系统故障通常由潜隐变量异常变化引起,而该类型故障并不能被观测数据直观表现,因此直接在观测变量上执行FD–k NN方法,其故障检测率降低.本文旨在提高FD–k NN方法针对潜隐变量故障的检测能力,提出基于独立元的k近邻故障检测方法.首先,通过对观测数据应用独立元分析(independent component analysis,ICA)方法,获得独立元矩阵;接下来在独立元矩阵中应用FD–k NN方法进行故障检测.这等同于直接监控过程潜隐变量的变化,可以提高过程故障检测率.通过非线性实例仿真实验,证明本文方法检测潜隐变量故障是有效的;同时,在半导体蚀刻工艺过程的仿真实验中,与主元分析(principal component analysis,PCA)方法、核主元分析(kernel principal component analysis,KPCA)方法、基于主元分析的k近邻故障检测(principal component–based k nearest neighbor rule for fault detection,PC–k NN)方法和FD–k NN方法进行对比,实验结果进一步验证了本文方法的有效性.     

基于递推规范变量残差和核主元分析的微小故障检测

微小故障由于故障征兆不明显从而很难在故障发生早期对其进行检测. 针对该问题, 本文提出了一种基于递推规范变量残差和核主元分析(RCVD–KPCA)的微小故障检测方法. 首先构造规范变量残差, 从中提取数据的线性特征. 利用指数加权滑动平均法对规范变量残差进行递推滤波处理, 提高规范变量残差对微小故障的敏感程度;然后使用KPCA提取规范变量残差中的非线性主成分作为非线性特征, 根据提取的特征提出了两个新的故障检测统计量; 此外, 利用核密度估计确定故障检测统计量的控制限. 由于同时提取了过程数据的线性和非线性特征, 有效地提高了非线性动态过程中微小故障的可检测性. 以闭环连续搅拌釜式反应器过程为例进行了仿真分析, 仿真结果表明本文所提方法具有较好的故障检测性能.     

一种基于输入训练神经网络的非线性PCA 故障诊断方法

简要讨论了线性PCA故障诊断方法存在的问题，提出一种基于输入训练神经网络的非线性PCA故障诊断方法。该方法首先利用输入训练神经网络和BP网络双网络机制，实现非线性主元的识别，并采用统计方法进行故障检测与故障分离。对CSTR的仿真研究结果表明，该方法能够克服线性PCA方法在提取过程变量的非线性特征方面存在的不足，并能够准确地进行故障检测和分离。     

CDC/MVT离群点去除的KPCA-MSVMs过程监控

基于主元分析(Principal Component Analysis,PCA)的统计监控模型易受建模数据中离群点的影响;大多工业过程表现出强非线性;且基于PCA的统计性能监控法由于不用过程机理模型的信息从而对故障诊断问题难以在理论上作系统分析,提出基于中心最短距离法CDC (Closest Distance to Center,CDC)/椭球多变量整理法MVT(ellipsoidal Multivariate Trimming,MVT)离群点去除的核主元分析KPCA (Kernel PCA,KPCA)-多支撑向量机MSVMs(Multiple Support Vector Machines,MSVMs)的过程监控方法.该方法首先提出改进尺度的CDC/MVT离群点去除算法以获取正常建模数据;然后利用KPCA来进行故障特征的提取,从而提高非线性统计过程监控的准确性;最后提出MSVMs用来对故障的来源进行分类,以避免求解核主元空间到原始空间的逆映射.将该方法应用到对TE(Tennessee Eastman,TE)过程的监控,表明了所提出方法的有效性,为过程的监控和故障诊断提供了一个新的方法.     

基于分块核主成分分析和支持向量机的故障检测

针对工业系统监测数据为非线性,且难以辨识复杂工作过程中故障位置的问题,提出一种基于分块核主成分分析(BKPCA)和最小二乘支持向量机(LS-SVM)的集成故障检测方法.首先对系统监测变量进行分块,使用KPCA对每个分块在特征空间中建立T2和平方预测误差(SPE)统计量来实时监测系统健康状态,并使用LS-SVM对上述过程检测出来的故障数据进行再次判断.随后计算出现故障后计算每一分块的故障贡献率,进而确定发生故障的分块.由于采用了并行分块算法,可以较简单的确定故障发生位置,提高计算效率,同时LS-SVM方法的应用也可以提升故障检测的精度.使用田纳西-伊斯曼化工(TE)过程数据对本文所提方法进行仿真验证,试验结果表明所提方法取得了较好效果.     

基于核直接分解的过热蒸汽系统故障诊断方法

为提高过热蒸汽系统的运行效率并减少非紧要故障的报警率,本文提出一种质量相关的非线性故障检测与诊断方法.首先,利用核函数将过程变量映射到高维特征空间以消除原始变量之间的非线性耦合.然后,在特征空间进行核直接分解得到两个正交子空间,并在两个子空间中分别设计统计量指标进行质量相关的故障检测.在此基础上,利用偏微分贡献图提取每个变量对联合统计量指标的贡献率,并根据贡献率大小最终确定故障变量.仿真结果表明,所提出的方法能够准确区分影响过热蒸汽温度和不影响过热蒸汽温度的故障,有效降低了非紧要故障的报警率,提高了过热蒸汽系统的运行效率.     

基于贡献率法的非线性工业过程在线故障诊断（英文）

Over past decades, kernel principal component analysis(KPCA) appeared quite popularly in data-driven process monitoring area. Enormous work has been done to show its simplicity, feasibility, and effectiveness. However, the introduction of kernel trick makes it impossible to directly employ traditional contribution plots for fault diagnosis. In this paper, on the basis of revisiting and analyzing the existing KPCA-relevant diagnosis approaches, a new contribution rate based method is proposed which can explain the faulty variables clearly. Furthermore, a scheme for online nonlinear diagnosis is established. In the end, a case study on continuous stirred tank reactor(CSTR) benchmark is applied to access the effectiveness of the new methodology, where the comparisons with the traditional linear method are involved as well.     

基于贡献率法的非线性工业过程在线故障诊断

在过去几十年,核主成分分析（KPCA）已经广泛应用在数据驱动的过程监测领域. 大量的应用案例显示该算法简单、易用且有效. 然而,核函数的引入使得KPCA不能直接利用传统的贡献图方法进行故障诊断. 本文在重新审视和分析现有KPCA相关诊断方法的基础上,提出了一类新的贡献率方法,该方法能较清晰地解释故障变量. 在此基础上,建立了一套面向非线性在线故障诊断的框架. 最后,将该诊断框架应用到CSTR过程,结果显示该方法较传统的线性方法更有效.     

基于改进核主元分析的TE故障诊断

PCA、KPCA作为常用的多变量统计监控算法,一般适用于定常过程。针对实际工业过程的时变、非线性特性,提出一种基于分块的改进KPCA算法。该方法通过采用随时间更新的核矩阵代替固定核矩阵用于主元模型的建立,使非线性监控模型能够在线更新,从而提高KPCA的检测正确率。与KPCA方法相比,该方法的运算复杂度明显降低。将该方法应用于TE(Tennessee Eastman)过程,仿真结果显示,该方法具有较好的监测性能,且所需时间大大减小,说明了本算法的有效性。     

基于多块核主元分析的复杂过程的分散故障诊断

提出多块核主元分析算法, 基于此算法针对复杂过程提出了新的故障检测和诊断方法. 通过对整体过程分块统计残差实现非线性过程的分散故障诊断目的, 相应的控制限用来分离引起故障的位置或发现引起故障的变量. 提出的方法应用到田纳西过程得出的结论为: 该方法能够有效地提取块内和块间的非线性信息并显示出优越的故障诊断能力.     

基于PCA的重油分馏塔故障监测与诊断分析

对系统过程数据进行主元分析,建立主元模型,可以在保留原有数据信息特征的基础上消除变量关联和部分系统噪声干扰,从而简化系统分析的复杂度。建立正确的主元模型,结合多变量统计过程控制图(Q统计图,HotellingT2图,主元得分图,贡献图),是对过程对象的进行检测和诊断的一项发展中的技术。通过对一个典型的重油分馏塔运行过程的故障监测与诊断分析,进一步说明了主元模型在确定故障特征方向和多变量统计控制图在监测和诊断故障源上的作用和有效性。同时采用了平均贡献图来直观明确地判别引起系统故障的主要原因。     

A new fault diagnosis method of multimode processes using Bayesian inference based Gaussian mixture contribution decomposition

This paper presents a novel Bayesian inference based Gaussian mixture contribution (BIGMC) method to isolate and diagnose the faulty variables in chemical processes with multiple operating modes. The statistical confidence intervals of traditional principal component analysis (PCA) based T² and SPE diagnostics rely upon the assumption that the operating data follow a multivariate Gaussian distribution approximately and therefore may not be able to determine the faulty variables in multimode non-Gaussian processes accurately. As an alternative solution, the proposed BIGMC method first identifies the multiple Gaussian modes corresponding to different operating conditions and then integrates the Mahalanobis distance based variable contributions across all the Gaussian clusters through Bayesian inference strategy. The derived BIGMC index is of probabilistic feature and includes all operation scenarios with posterior probabilities as weighting factors. The Tennessee Eastman process (TEP) is used to demonstrate the utility of the proposed BIGMC method for fault diagnosis of multimode processes. The comparison of the single-PCA and multi-PCA based contribution approaches shows that the BIGMC method can effectively identify the leading faulty variables with superior diagnosis capability.     

Fault diagnosis using contribution plots without smearing effect on non-faulty variables

Isolating faulty variables to provide additional information about a process fault is a crucial step in the diagnosis of a process fault. There are two types of data-driven approaches for isolating faulty variables. One is the supervised method, which requires the datasets of known faults to define a fault subspace or an abnormal operating region for each faulty mode. This type of approach is not practical for an industrial process, since the known event lists might not exist for some industrial processes. The counterpart is to isolate faulty variables without a priori knowledge, using, for example, a contribution plot, which is a popular tool in the unsupervised category. However, it is well known that this approach suffers from the smearing effect, which may mislead the faulty variables of the detected faults. In the presented work, a contribution plot without the smearing effect on non-faulty variables was derived based on missing data analysis. Two benchmark examples, the continuous stirred tank reactor (CSTR) and the Tennessee Eastman (TE) process, were provided to compare the fault isolation performances of the alternatives using the missing data approach.