基于核可预测元分析的非线性故障检测技术

为克服可预测元分析方法在非线性领域的不足,并更好地反映工业监控过程的动态特性,将核可预测元分析方法引入非线性故障检测领域。首先将观测数据映射到高维特征空间,提取可预测元特征;然后基于贝叶斯定理构造统计量,用于监控工业过程进行并检测故障。在TE模型的仿真实验结果表明:基于核可预测元分析的非线性故障检测方法能有效提高系统的故障检测准确率。     

基于核主角的故障检测方法

基于主元分析（PCA）的统计检测方法已经被广泛应用于各种化工过程的故障检测和识别.移动主元分析（moving principal component analysis,简称MPCA）算法基于PCA,根据主元子空间的变化来判断故障是否发生.然而,基于主元分析的统计检测方法是线性方法,无法有效应用于非线性系统.因此,提出一种适合于非线性系统的故障检测方法——基于核主角(kernel principal angle,简称KPA)的故障检测方法,其基本思想与MPCA相似,主要内容包括构建特征子空间和核主角测量两部分.TE过程故障检测仿真实验证明,基于核主角的故障检测方法优于传统的多元统计检测方法（cMSPC）和MPCA.     

基于双层局部KPCA的非线性过程微小故障检测方法

针对传统核主元分析(KPCA)方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析(double-level local kernel principal component analysis,DLKPCA)的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。     

一种基于可预测偏最小二乘法的故障检测方法

将可预测元分析(Fore CA)与偏最小二乘法(PLS)结合用于故障检测,在选取合适的可预测元的基础上,运用偏最小二乘回归,进一步提高模型对系统的预测能力,克服了偏最小二乘回归方法无法反映系统动态时序特性的缺陷,并构造CUSUM统计量和SPE统计量以检测故障是否发生。最后通过TE模型上的仿真实验结果表明:Fore PLS方法能有效检测慢漂移等故障。     

基于小波去噪的FVS-KPCA故障检测方法

对于复杂非线性系统,实际得到的数据不可避免地带有噪声、随机干扰,而传统的核主元分析(KP-CA)方法应用于大样本集的故障检测,要计算核矩阵K很困难。为此,提出一种小波去噪与特征矢量选择-核主元分析(FVS-KPCA)相结合的故障检测方法,首先对数据进行小波去噪,再采用特征矢量选择(FVS)与KPCA结合的方法能有效降低故障检测计算的复杂性。把上述方法应用到Tennessee Eastman(TE)化工过程,仿真结果表明该方法能有效地提高故障检测的速度。     

一种基于改进局部熵PCA的工业过程故障检测方法

针对工业过程的多模态和非高斯特性,提出一种基于改进局部熵主元分析(ILEPCA)的故障检测方法。引入k近邻的均值对局部概率密度函数进行改进,构造改进的局部熵数据剔除多模态和非高斯特性。对改进的局部熵数据建立主元分析(PCA)模型,根据核密度估计计算控制限。对于测试数据,运用改进的局部熵算法预处理后,向PCA模型上投影,计算统计量。通过比较统计量与控制限来进行故障检测。把该方法应用到数值例子和半导体过程故障检测,仿真结果表明,与PCA、核主元分析(KPCA)和局部熵PCA (LEPCA)相比,ILEPCA算法在具有多模态和非高斯特性的工业过程故障检测中具有明显的优越性。     

基于MCUSUM-ForeCA的微小故障检测

针对传统多元统计方法对过程的微小变化不敏感且无法反映过程时序特性的缺点,把多元累积和(MCUSUM)与可预测元分析(Fore CA)相结合,提出了MCUSUM-Fore CA方法。该方法利用MCUSUM对数据进行处理,累积数据的历史信息,使用Fore CA计算可预测元矩阵,选取合适的可预测元,构造能够反映系统运行状况的统计量,以此建立了微小故障检测模型。将此模型用于在线监控,并详细分析了MCUSUM的步长对微小故障检测效果的影响。最后,在TE模型上的仿真结果表明了MCUSUMFore CA方法在微小故障检测方面的良好性能。     

一种基于KICA-GMM的过程故障检测方法

核独立元分析(kernel independent component analysis,KICA)故障检测方法的故障检测时间易受独立元顺序和主导独立元数目经验选取的影响,针对这个问题,提出基于KICA和高斯混合模型(Gaussian mixture model,GMM)的故障检测方法。采用KICA从正常工况测量数据中提取独立元,用GMM拟合各独立元的概率密度函数,建立基于GMM的监控量及其控制限;计算各独立元的监控量均值,以此判断其非高斯性强弱,对每个强非高斯独立元进行单独监控,对弱非高斯部分采用主元分析法进行监控。在Tennessee Eastman过程上的仿真结果说明,相比于KICA故障检测方法,所提方法不需要排序独立元和选取主导独立元数目,避免了其对故障检测时间的影响,能够有效利用过程信息,缩短故障检测的延迟时间。     

基于双层局部KPCA的非线性过程微小故障检测方法

针对传统核主元分析（KPCA）方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析（double-level local kernel principal component analysis,DLKPCA）的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。     

基于WPRKPCA的非线性化工过程微小故障检测

传统核主元分析法（KPCA）是一种广泛应用的非线性化工过程故障检测方法,但是其未充分利用过程数据的概率分布信息,往往难以有效检测过程中的微小故障。针对传统KPCA方法的局限性,本文提出了一种基于加权概率相关核主元分析（WPRKPCA）的非线性化工过程微小故障检测方法。与传统KPCA方法监控核成分的变化不同,该方法利用Kullback Leibler散度（KLD）度量核成分的概率分布变化,进而建立基于KLD成分的统计监控模型,以充分挖掘过程数据所包含的概率信息。进一步考虑到不同KLD成分承载故障信息的差异性,该方法设计了一种基于核密度估计的指数加权策略,根据KLD成分描述故障信息程度的差异分配相应的权值,以加强监控模型对微小故障检测的灵敏性。在一个数值例子和连续搅拌反应器（CSTR）系统上的仿真结果表明,本文所提方法具有比传统KPCA方法更好的微小故障检测性能。     

基于非线性主元分析和符号有向图的故障诊断方法

Nonlinear principal component analysis（NLPCA）fault detection method achieves good detection results especially in a nonlinear process.Signed directed graph（SDG）model is based on deep-going information,which excels in fault interpretation.In this work,an NLPCA-SDG fault diagnosis method was proposed.SDG model was used to interpret the residual contributions produced by NLPCA.This method could overcome the shortcomings of traditional principal component analysis（PCA）method in fault detection of a nonlinear process and the shortcomings of traditional SDG method in single variable statistics in discriminating node conditions and threshold values.The application to a distillation unit of a petrochemical plant illustrated its validity in nonlinear process fault diagnosis.     

基于小波去噪与KPCA的TE过程故障检测研究

针对化工过程复杂非线性,并且含有噪声和随机干扰的特点,提出利用小波去噪与核主元分析(KPCA)相结合的方法来进行故障检测,既可以达到去噪、抗干扰的目的,又可以将输入空间中复杂的非线性问题转化为特征空间中的线性问题,从而解决了主元分析(PCA)方法在非线性过程中性能差的问题.并将该方法应用于Tennessee Eastm...     

基于非线性动态全局局部保留投影算法的化工过程故障检测

传统基于核映射的非线性故障检测方法的性能受核函数类型和核参数的调优影响较大，且实际工业环境中对过程变量的非线性阶数存在很多物理限制。针对这一问题，提出一种非线性动态全局局部保留投影（nonlinear dynamic global-local preserving projections，NDGLPP）的故障检测算法。该方法首先使用动态全局局部保留投影算法对数据矩阵进行降维；然后对降维后的矩阵建立二阶多项式映射提取非线性空间的相关特性；接着通过迭代这两个步骤以获得高阶非线性映射；最后，将所提方法应用于乙烯精馏过程和Tennessee Eastman（TE）过程仿真中，验证了检测方法的有效性和可行性。     

Fault detection for chemical process based on nonlinear dynamic global-local preserving projections

The performance of the traditional nonlinear fault detection method based on kernel mapping is greatly influenced by the type of kernel function and the tuning of kernel parameters. To solve this problem, a method named nonlinear dynamic global-local preserving projections(NDGLPP) is proposed for nonlinear process fault detection. Firstly, dynamic global-local preserving projection algorithm is used to reduce the dimension of data matrix. Since the second order polynomial mapping is established for the reduced dimension matrix to extract the relevant properties of nonlinear space. Then the two steps are iterated to obtain the higher-order nonlinear mapping. Finally, the proposed method is applied to the ethylene distillation process and Tennessee Eastman (TE) process simulation to verify the effectiveness and feasibility of the detection method.     

稀疏核局部保持投影及其在非线性过程故障检测中的应用(英文)

Locality preserving projection (LPP) is a newly emerging fault detection method which can discover local manifold structure of a data set to be analyzed, but its linear assumption may lead to monitoring performance degradation for complicated nonlinear industrial processes. In this paper, an improved LPP method, referred to as sparse kernel locality preserving projection (SKLPP) is proposed for nonlinear process fault detection. Based on the LPP model, kernel trick is applied to construct nonlinear kernel model. Furthermore, for reducing the computational complexity of kernel model, feature samples selection technique is adopted to make the kernel LPP model sparse. Lastly, two monitoring statistics of SKLPP model are built to detect process faults. Simulations on a continuous stirred tank reactor (CSTR) system show that SKLPP is more effective than LPP in terms of fault detection performance.     

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。     

基于主元分析法的冷水机组传感器故障检测效率分析

冷水机组是一个高度非线性的复杂系统,其自控系统传感器故障会导致冷水机组的运行偏离正常状态和能耗浪费。采用冷水机组正常运行数据,通过多元统计方法中的主元分析法建立训练矩阵,利用平方预测误差进行故障分析工作。引入不同程度故障,分析主元分析法的检测效率。结果表明,主元分析法故障检测效果明显,但对于不同传感器的不同程度故障,故障检测的误判率存在一定的差异。