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.     

基于鲁棒尺度的统计建模数据中异常点去除算法的研究及应用

针对基于主元分析 (PCA)的统计监控模型受到历史数据中异常点强烈影响的不足,鉴于建模历史数据中存在的异常点会影响过程监控效果,分析目前常用的鲁棒异常值检测算法原理及其缺陷,提出将中心最短距离(CDC)法与椭球多变量整理(MVT)法相结合,构成一种基于鲁棒尺度的CDC-MVT异常值综合检测算法,更加准确地检测异常点。将该算法应用于工业发酵过程,与CDC法和MVT法相比较,该算法能够有效去除建模数据中的异常点。     

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PCA与KPCA的TE过程故障检测应用研究

针对传统主元分析法(PCA)应用于复杂非线性的化工过程故障检测时存在性能差的问题,提出利用核主元分析法(KPCA)来进行故障检测的思想.从而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.将上述方法应用于Tennessee Eastman(TE)化工过程模型,仿真结果表明,KPCA方法在复杂非线性化工过程敝障检测方面的应用明显优于普通的PCA方法.     

一种新的间歇过程鲁棒在线监控方法

多向主元分析(MPCA)的统计监控模型,因为易受建模数据中离群点的影响,还需预估新批次未反应完的数据,所以提出一种新的间歇过程鲁棒在线监控法。先利用改进尺度的CDC/MVT算法获取常规建模的批次数据;再用多模型非线性结构代替传统的MPCA单模型线性化结构,并提出确定时滞变量的算法。前者用于监控β-甘露聚糖酶发酵批过程,并与移动窗多向主元分析(MWMPCA)法相比,即使建模数据中存在离群点,前者仍能获得正确的监控结果,减少建模时对数据的要求;同时克服了MPCA不能处理实时性的问题,避免了MPCA在线应用时预测值的误差;更能精确描述过程的故障,准确性和实时性良好。     

去主元相关性DKPCA故障检测与诊断方法

针对动态核主元分析(Dynamic Kernel Principal Component Analysis,DKPCA)在动态非线性过程监控中没有降低数据动态性的影响,导致统计量T²具有显著自相关性的问题,提出一种基于去主元相关性的DKPCA(Dynamic Kernel Principal Component Analysis based on Removing Principal Component Correlation,DKPCA-RPCC)故障检测与诊断方法。首先,对原始数据X进行时滞扩展生成增广矩阵Y并使用KPCA计算主成分M;其次,利用已知数据重构增广矩阵■,再使用KPCA计算主成分■;然后,通过主成分之间的差异来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故障诊断。通过数值例子和田纳西-伊斯曼(Tennessee-Eastman,TE)过程进行仿真验证,并将仿真结果与KPCA、DPCA和DKPCA的结果进行对比。仿真结果说明,该方法在动态非线性过程监控中构建的统计量故障检测性能更高且具有较低的自相关性。     

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.     

基于改进尺度的统计建模数据中离群点去除算法及应用

鉴于传统鲁棒离群点去除算法不能准确估计过程采样数据的均值和协方差,导致基于PCA的统计建模监控影响故障诊断效果的局限性,本文提出一种综合CDCm与MVT的异常检测算法,可以克服上述缺陷.通过改进尺度方法对过程原始采样数据实现准确估计并进行中心化和标准化处理,运用采样数据中的最大变量值来计算距离,采用CDCm算法求出样本...     

基于核主元分析与核密度估计的非线性过程故障监测与识别

在针对将核主元分析(kernel principal components analysis, KPCA)与基于高斯分布的控制限(control limits, CLS)相结合会降低其性能的问题, 提出了一种基于核主元分析与核密度估计(kernel principal components analysis-kernel density estimation, KPCA-KDE)相结合的非线性过程故障监测与识别方法. 该方法采用核密度估计(kernel density estimation, KDE)技术来估计基于KPCA的非线性过程监控的CLS. 通过研究KPCA和KPCA-KDE所有20个故障的检出率发现, 与相应的基于高斯分布的方法进行比较, KDE具有较高的故障检出率; 此外, 基于KDE的检测延迟等于或低于其他方法. 通过改变带宽和保留的主元数量进行故障检测, KPCA记录的FAR值较高, 相反, KPCA-KDE方法仍然没有记录任何假报警. 在田纳西伊斯曼过程(Tennessee Eastman, TE)上的应用表明, KPCA-KDE比基于高斯假设的CLS的KPCA在灵敏度和检测时间上都具有更好的监控性能.