基于混合型判别分析的工业过程监控及故障诊断

工业过程数据具有规模性大、复杂性高、变量多、关联性强等特点.如何从数据出发准确并快速地发现故障并处理, 保证过程高效运行意义重大.本文针对复杂的工业过程, 提出了一种多方法结合的混合型过程监控与故障诊断方法, 完成数据分类, 构建故障模型库, 故障在线诊断及可视化相关处理.首先通过常规主成分分析(Principal component analysis, PCA)方法对历史数据进行初筛, 区分出正常和故障信息, 然后利用聚类方法对故障数据集进行分类, 接着利用局部线性指数判别分析方法(Local linear exponential discriminant analysis, LLEDA)建立故障模型库进而进行故障诊断.本文将基于监督学习的LLEDA方法拓展到无监督学习, 便于复杂工业大量无标签数据的处理.最后利用典型的田纳西伊士曼(Tennessee Eastman, TE)过程对所提出的方法进行有效性验证.     

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。     

改进PCA在发酵过程监测与故障诊断中的应用

提出一种改进的主元分析(PCA)法．利用主元相关变量残差统计量代替平方预测误差Q统计量,并采用累积方差贡献率及复相关系数确定PCA模型的主元数．将改进的主元分析法应用于粘菌素发酵过程监测和故障诊断中,仿真结果表明改进的PCA方法避免了Q统计量的保守性,并保证了主元子空间中的信忠存量．与一种基于特征子空间的系统性能监控方法相比较,改进的PCA方法具有更强的有效性．     

主成分分析法与概率神经网络在模拟电路故障诊断中的应用

模拟电路故障的多样性使得神经网络训练样本数量增加,BP网络结构趋于复杂,训练速度降低;针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了基于主成分分析(PCA)与概率神经网络(PNN)相结合的模拟电路故障诊断方法;通过主成分分析法(Principal Component Analysis)提取特征数据进行降维处理,再结合概率神经网络(Probabilistic Neural Networks)对电路故障进行分类;实例说明采用PCA和PNN结合对故障数据处理,可以大大的提高故障诊断分类的准确性。     

面向污水处理过程因子分析故障诊断方法的研究

污水生化处理过程是一个典型的多变量、非线性、具有强外部干扰的复杂工业过程,基于主元分析(PCA)的方法在污水处理过程的故障诊断中已经得到了广泛的应用和发展.但是,主元分析存在着噪声和不确定信息描述能力不足的问题.针对污水过程的特点提出了因子分析(FA)故障诊断方法,同时拓展了因子分析监控指标以及解决了故障辨识贡献图的控制问题,为污水处理过程的有效监控提供了可行性.所提出方法在国际水协会BSM1模型上得到了有效的验证,与PCA的对比研究表明FA提供了更低的故障误报警率和更完整的不确定信息描述能力.     

基于动态主元分析的空分过程异常工况在线诊断

空分过程异常工况的在线诊断对于保证空分产品质量、降低"氮塞"等故障的发生率和减小故障损失有着重要的实用价值。主元分析(PCA)是1种数据驱动的统计建模方法,已广泛应用于复杂工业过程的运行状态监控和故障诊断,然而,传统的PCA方法不能够反应数据的动态特性。动态主元分析(DPCA)作为1种将传统PCA推广到多变量动态过程的方法,其时滞长度的确定是DPCA的关键点。本文应用动态主元分析(DPCA)方法建立了空分过程异常工况的在线诊断系统,并结合空分过程的故障诊断特性,对DPCA中时滞长度提出了可行的确定方法。实际运行效果表明该系统对故障的报警率为100%,误报率约4%,证明了文中所建立的诊断系统的有效性及文中所提出的对于复杂连续生产系统确定DPCA时滞长度的方法的有效性及可行性。     

基于PPA的多元统计分析方法在过程故障诊断的应用

在使用多元统计分析方法进行故障诊断时,特征提取的结果往往决定着故障诊断的效果。其中主元分析方法(PCA)由于操作简单、计算复杂度低、直观解释好等特点一直被广泛地用于特征提取,但是当数据中各变量之间存在明显的非线性相关性时,若采用PCA进行特征提取则会导致数据信息的缺失。过去有许多学者提出了对PCA进行改进的方法,其中最为经典的改进是在PCA的基础上引入核函数形成的核主元分析法(KPCA),KPCA虽然能有效的进行非线性特征提取,但是该方法的计算复杂度较大;近年来,有学者提出利用主曲线的理论观点来改进PCA,并提出了主元多项式分析法(Principal Polynomial Analysis,PPA),研究表明该方法不仅能有效地提取出非线性特征而且还具有简单、计算复杂度低、直观解释性好等特点。因此,本文提出了一种基于PPA的多元统计分析方法,并将其应用于复杂的Tennessee-Eastman(TE)过程中进行故障诊断,并与基于PCA的诊断效果和基于KPCA的诊断效果进行对比,最终仿真实验表明基于PPA的多元统计分析方法在诊断速度和诊断效果上有着明显的优势。     

基于主元子空间故障重构技术的故障诊断研究

针对基于主元分析(PCA)的统计性能监控法,由于不用过程机理模型的信息,因此,对故障诊断问题有难以在理论上作系统分析的缺陷,于是提出了一种基于主元子空间故障重构技术的故障诊断方法。利用故障子空间的概念,在故障重构技术的基础上,研究基于T~2统计量的故障诊断问题,提出故障识别指标和诊断算法。通过对双效蒸发过程的仿真监测,验证该诊断方法的有效性。     

基于改进PCA模型的工作站故障诊断方法研究

工作站广泛应用于工业生产。现有的PCA故障诊断模型在检测工作站故障时存在模型过度拟合、指标冲突、参数敏感度低等问题,误检漏检较多。针对上述问题,提出一种基于改进PCA模型的工作站故障诊断方法,即MA-PCA(Multi-index Principal Component Analysis)。在传统PCA主成分分析故障诊断模型基础上,在主元空间和残差空间计算T2和SPE统计量,引入控制限融合深度系数的统计量指标,调整控制限,根据主成分中的参数贡献量反馈调整诊断模型,构建自适应更新的故障诊断模型。最后通过实例分析,验证了所提出的改进PCA模型故障诊断方法的可行性,并与传统PCA模型和三项故障诊断方法的诊断结果进行比对,该方法在故障诊断准确率上可提高2.7%～8.2%。     

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KECA和FWA-SVM的间歇过程分时段故障诊断方法

针对间歇过程的高度复杂性、强非线性、强时段性等特点,提出一种基于核熵成分分析（KECA）特征变量降维,利用烟花算法（FWA）优化支持向量机（SVM）参数的间歇过程分时段故障诊断方法。首先,通过多向核主元分析（MKPCA）进行在线故障监测,输出故障数据;其次,利用K-means分类方法将间歇过程划分为若干个子时段,对故障数据进行KECA特征变量处理,按熵值贡献率来确定选取主元的个数,深层提取特征信息;最后,在各子时段内分别构建FWA优化SVM参数故障诊断模型,将降维处理后的故障数据代入各自所属子时段FWA-SVM诊断模型内进行故障诊断。通过对青霉素仿真实验数据进行各种对比实验研究,验证了该方法的可行性与有效性。     

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.     

基于主元分析的支持向量数据描述机械故障诊断

针对机械故障诊断缺乏故障样本的问题,提出了故障诊断单值分类法--支持向量数据描述法(SVDD).这种方法只需要正常运行状态的数据样本,就可以建立单值分类器,区分出正常和异常状态.试验以轴承为研究对象,采用主元分析法(PCA)作数据前处理,提取振动信号的统计特征值,得到的主元特征指标输入到SVDD分类器进行训练和测试.试验结果表明,PCA对正常和故障样本有较大的区分度,SVDD分类器能很好的分辨出轴承正常和故障状态,并且对未知故障有良好的识别能力.     

基于PCA和SVM的管道腐蚀超声内检测

为了有效地对不同深度的局部腐蚀缺陷超声波信号进行分类识别,根据腐蚀缺陷信号样本数量较少的特点,提出了一种基于主成分分析(PCA)和支持向量机(SVM)的超声波腐蚀缺陷信号识别方法.该方法采用经验模态分解法对腐蚀缺陷信号进行分解,提取各本征模式分量的时域无量纲参数,利用主成分分析消除原始特征集中的冗余信息,降低每一个特征之间的相关性,实现腐蚀缺陷信号特征参数的降维.在PCA进行特征优化后,将支持向量机的多类分类应用于缺陷分类过程中.将腐蚀缺陷原始特征集和经主成分分析优化后的特征集,分别用于支持向量机的训练和测试,且选择不同的核函数构造支持向量机分类器.实验结果表明,基于主成分分析和支持向量机的方法可以有效地对超声波腐蚀缺陷深度信号分类.     

基于APSO-LSSVM的航空发动机轴承故障诊断及寿命预测

航空发动机轴承在高速、高温、高载荷等极端工况下易发生机械故障,为了提前预警,提出了一种基于自适应粒子群优化(Adaptive Particle Swarm Optimization, APSO)算法的最小二乘支持向量机(APSO Least Squares Support Vector Machine, APSO-LSSVM)对滑油系统中轴承磨屑进行在线监测的故障诊断及寿命预测。通过主成分分析法(Principal Components Analysis, PCA)对滑油磨屑信息进行降维处理,构建特征向量,并将特征向量输入APSO-LSSVM模型,对轴承故障状态进行分类并对轴承剩余寿命进行预测。结果表明：使用PCA可以保留数据样本99.9%的信息,同时还能极大地降低数据维度;与遗传算法(Genetic Algorithm, GA)、灰狼优化(Grey Wolf Optimization, GWO)算法、粒子群优化(Particle Swarm Optimization, PSO)算法的支持向量机相比,所提算法因采用了自适应调节粒子移动步幅,在进行轴承状态分类时准确率更高,分类正确率可达...     

Local and global principal component analysis for process monitoring

In this paper, a novel data projection method, local and global principal component analysis (LGPCA) is proposed for process monitoring. LGPCA is a linear dimensionality reduction technique through preserving both of local and global information in the observation data. Beside preservation of the global variance information of Euclidean space that principal component analysis (PCA) does, LGPCA is characterized by capturing a good linear embedding that preserves local structure to find meaningful low-dimensional information hidden in the high-dimensional process data. LGPCA-based T² (D) and squared prediction error (Q) statistic control charts are developed for on-line process monitoring. The validity and effectiveness of LGPCA-based monitoring method are illustrated through simulation processes and Tennessee Eastman process (TEP). The experimental results demonstrate that the proposed method effectively captures meaningful information hidden in the observations and shows superior process monitoring performance compared to those regular monitoring methods.     

A particle filter driven dynamic Gaussian mixture model approach for complex process monitoring and fault diagnosis

Complex non-Gaussian processes may have dynamic operation scenario shifts so that the conventional monitoring methods become ill-suited. In this article, a new particle filter based dynamic Gaussian mixture model (DGMM) is developed by adopting particle filter re-sampling method to update the mixture model parameters in a dynamic fashion. Then the particle filtered Bayesian inference probability index is established for process fault detection. Furthermore, the particle filtered Bayesian inference contributions are decomposed among different process variables for fault diagnosis. The proposed DGMM monitoring approach is applied to the Tennessee Eastman Chemical process with dynamic mode changes and the results show its superiority to the dynamic principal component analysis (DPCA) and regular Gaussian mixture model (GMM) in terms of fault detection and diagnosis accuracy.