一种改进的动态核主元分析故障检测方法

针对复杂工业系统动态非线性故障检测过程精度低和计算量大的问题,提出了一种改进的动态核主元分析故障检测方法,该方法首先利用不可区分度剔除相关程度较小或者不相关变量,减少数据量,然后通过观测值扩展对筛选后的新数据构建增广矩阵,并对矩阵使用核主元分析提取变量数据的非线性空间相关特征,最后通过监测T2和SPE两种统计量诊断出系统发生故障及识别故障变量。仿真实验证明,该方法能对风力发电机故障进行有效监测和诊断,与KPCA方法相比,改进的动态核主元分析方法对微小故障更为敏感。     

基于特征样本核主元分析的TE过程快速故障辨识方法

核主元分析（KPCA）在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。针对上述问题,提出了一种基于特征样本核主元分析方法（FS-KPCA）非线性故障辨识方法。首先采用特征样本（FS）提取方法有效解决核矩阵K的计算量问题。然后利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T²和SPE的贡献率,利用每个变量对监控统计量贡献程度的不同,可以辨识出故障源。将上述方法应用到TE过程,仿真结果表明该方法不仅能够有效辨识故障,而且提高了故障检测和辨识速度。     

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。     

基于多尺度动态核主元分析的化工过程故障检测

针对化工过程数据的多尺度性和非线性特性,提出一种多尺度动态核主元分析方法.使用小波变换分析数据的多尺度特性,借助核函数来解决非线性映射问题,同时解决了噪声和干扰造成的各变量数据具有时间序列动态性问题.在此基础上,提出一种基于矩阵相似度量的核函数参数选优方法.将上述方法应用于TE模型的故障检测过程中,仿真结果表明,该方法提高了过程性能监视和故障检测的准确性,优于线性主元分析法的检测效果.     

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。     

一种基于改进MPCA的间歇过程监控与故障诊断方法

针对基于不同展开方式的多向主元分析(MPCA)方法在线应用时各自存在的缺陷,提出一种改进的基于变量展开的MPCA方法,实现间歇过程的在线监控与故障诊断。该方法采用随时间更新的主元协方差代替固定的主元协方差进行T²统计量的计算,充分考虑了主元得分向量的动态特性;同时引入主元显著相关变量残差统计量,避免SPE统计量的保守性,且该统计量能提供更详细的过程变化信息,对正常工况改变或过程故障引起的T²监控图变化有一定的识别能力;最后提出一种随时间变化的贡献图计算方法用于在线故障诊断。该方法和MPCA方法的监控性能在一个青霉素发酵仿真系统上进行了比较。仿真结果表明：该方法具有较好的监控性能,能及时检测出过程存在的故障,且具有一定的故障识别和诊断能力。     

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。     

基于MSPCA-KECA的冷水机组故障监测及诊断

针对冷水机组同类型不同等级故障的变量变化存在差异会造成误诊断的问题，提出一种基于多尺度主元分析-核熵成分分析（MSPCA-KECA）的故障诊断策略。MSPCA提取故障特征，其输出作为KECA分类器的输入，实现故障的实时监测与自动诊断。首先，改进的MSPCA算法通过将小波多尺度分析与主元分析相结合，筛选故障信息可能存在的尺度直接重构并采用PCA提取故障特征，获取不同类型故障之间差异的同时也保留了同类型但不同等级故障之间的相似性，提高故障诊断的可靠性。之后建立KECA非线性分类器并引入一种新的监测统计量--散度测度统计量，使降维后不同特征信息之间呈现显著的角度差异，易于分类。最后，采用支持向量数据描述（SVDD）算法确定新统计量的控制限，以克服无法获知统计量分布的问题。通过对冷水机组数据的仿真研究，验证了MSPCA-KECA方法的可行性及有效性。     

基于改进多尺度主元分析的丙烯聚合过程监测与故障诊断

针对工业过程故障检测问题,提出了一种改进多尺度主元分析方法。首先针对过程数据所具有的随机性、非平稳性及含有大量噪声等特点,提出了一种改进小波变换阈值去噪方法,移除原始过程数据中的大部分高频随机噪声,提高数据的置信度,然后应用小波多尺度分解将每个变量依次分解成逼近系数和多个尺度的细节系数,在各个尺度矩阵建立相应的主元分析模型,以模型统计量控制限为阈值,对小波系数重构得到综合尺度主元分析模型。将该改进多尺度主元分析方法应用于丙烯聚合过程监测与故障诊断研究中,研究结果表明,与传统多尺度主元分析相比,改进多尺度主元分析减少了误报率和漏报率,提高了过程监测与故障诊断的精度。     

基于多向核熵成分分析的微生物发酵过程多阶段划分及故障监测

针对多向核主元分析法(MKPCA)在监控动态非线性和多模态间歇生产过程故障的不足,提出一种基于物理信息熵的多阶段多向核熵成分分析(multiple sub-stage multi-way kernel entropy component analysis,MSMKECA)的新方法用于故障监控。该方法首先通过核映射将数据从低维空间映射到高维特征空间;其次在高维特征空间依据熵结构信息计算每个时刻数据矩阵的相似度指标进行阶段划分,将间歇过程划分为各稳定阶段和各过渡阶段,并在过渡阶段用时变的协方差代替固定协方差;最后在划分的阶段里分别建立模型进行间歇过程监测解决间歇过程的动态非线性和多阶段特性;将所提出的算法应用于青霉素发酵仿真系统的在线监测,验证了该方法的有效性。     

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。     

Enhanced statistical analysis of nonlinear processes using KPCA, KICA and SVM

In this paper, some drawbacks of original kernel independent component analysis (KICA) and support vector machine (SVM) algorithms are analyzed for the purpose of multivariate statistical process monitoring (MSPM). When the measured variables follow non-Gaussian distribution, KICA provides more meaningful knowledge by extracting higher-order statistics compared with PCA and kernel principal component analysis (KPCA). However, in real industrial processes, process variables are complex and are not absolutely Gaussian or non-Gaussian distributed. Any single technique is not sufficient to extract the hidden information. Hence, both KICA (non-Gaussion part) and KPCA (Gaussion part) are used for fault detection in this paper, which combine the advantages of KPCA and KICA to develop a nonlinear dynamic approach to detect fault online compared to other nonlinear approaches. Because SVM is available for classifying faults, it is used to diagnose fault in this paper.For above mentioned kernel methods, the calculation of eigenvectors and support vectors will be time consuming when the sample number becomes large. Hence, some dissimilar data are analyzed in the input and feature space.The proposed approach is applied to the fault detection and diagnosis in the Tennessee Eastman process. Application of the proposed approach indicates that proposed method effectively captures the nonlinear dynamics in the process variables.     

Improved multi-scale kernel principal component analysis and its application for fault detection

In this paper the multiscale kernel principal component analysis (MSKPCA) based on sliding median filter (SFM) is proposed for fault detection in nonlinear system with outliers. The MSKPCA based on SFM (SFM-MSKPCA) algorithm is first proposed and applied to process monitoring. The advantages of SFM-MSKPCA are: (1) the dynamical multiscale monitoring method is proposed which combining the Kronecker production, the wavelet decomposition technique, the sliding median filter technique and KPCA. The Kronecker production is first used to build the dynamical model; (2) there are more disturbances and noises in dynamical processes compared to static processes. The sliding median filter technique is used to remove the disturbances and noises; (3) SFM-MSKPCA gives nonlinear dynamic interpretation compared to MSPCA; (4) by decomposing the original data into multiple scales, SFM-MSKPCA analyze the dynamical data at different scales, reconstruct scales contained important information by IDWT, eliminate the effects of the noises in the original data compared to kernel principal component analysis (KPCA). To demonstrate the feasibility of the SFM-MSKPCA method, its process monitoring abilities are tested by simulation examples, and compared with the monitoring abilities of the KPCA and MSPCA method on the quantitative basis. The fault detection results and the comparison show the superiority of SFM-MSKPCA in fault detection.     

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。     

基于约翰逊转换的鲁棒化工过程监控方法

化工厂中一个小故障可能导致大事故,从而造成生命财产损失和环境破坏。为了防止小故障演变成大事故,化学工业需要有效的过程监控来及时检测故障和诊断故障原因。传统化工过程监控方法主元分析法(Principal Component Analysis, PCA)假设数据服从高斯分布,实践中有时并不满足该条件。此外,其使用方差、协方差捕捉数据非线性变化时,鲁棒性较差。本工作提出一种改进的主元分析法—基于约翰逊转换的鲁棒过程监控方法。首先引入约翰逊正态转换(Johnson Transformation)使过程数据服从高斯分布;其次使用鲁棒性强的斯皮尔曼相关系数(Spearman Correlation Coefficient)矩阵代替传统主元分析法的协方差矩阵提取特征向量,构造特征空间;最后将过程数据投影到特征空间,使用T2和SPE统计量实施过程监控。将此方法应用于TE过程故障案例,并与PCA和核主元分析法(Kernel Principal Component Analysis, KPCA)对比,验证了此方法的有效性。     

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...     

基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法

传统统计局部核主元分析（statistical local kernel principal component analysis, SLKPCA）在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析（weighted statistical local kernel principal component analysis, WSLKPCA）的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼（Tennessee Eastman, TE）化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。     

Statistical Monitoring of Chemical Processes Based on Sensitive Kernel Principal Components

The kernel principal component analysis (KPCA) method employs the first several kernel principal components (KPCs), which indicate the most variance information of normal observations for process monitoring, but may not reflect the fault information. In this study, sensitive kernel principal component analysis (SKPCA) is proposed to improve process monitoring performance, i.e., to deal with the discordance of T² statistic and squared prediction error δ_SPE statistic and reduce missed detection rates. T² statistic can be used to measure the variation directly along each KPC and analyze the detection performance as well as capture the most useful information in a process. With the calculation of the change rate of T² statistic along each KPC, SKPCA selects the sensitive kernel principal components for process monitoring. A simulated simple system and Tennessee Eastman process are employed to demonstrate the efficiency of SKPCA on online monitoring. The results indicate that the monitoring performance is improved significantly.     

基于特征子空间的KPCA及其在故障检测与诊断中的应用

针对标准KPCA(kernel principal component analysis)不适合大样本分析的缺点,提出了一种基于特征子空间的KPCA(FS_KPCA)及其故障检测与诊断方法,该方法通过构建具有较小维数的特征子空间上的正交基来简化核矩阵,从而降低KPCA的计算复杂性.与标准KPCA方法相比,FS_KPCA方法具有更高的计算效率且只需较小的计算机存储空间.通过非等温连续反应釜过程的故障检测与诊断的应用实例,说明了本算法的有效性.