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．     

复杂过程的故障诊断技术

对于具有控制复杂,难以精确描述数学模型的复杂过程,介绍了智能化故障诊断方法。故障检测由基于知识系统实现,通过过程的深层浅层知识获得故障检测产生式规则。通过智能故障诊断技术实现故障诊断功能。     

一种新颖的深度因果图建模及其故障诊断方法

为了实现复杂工业过程故障检测和诊断一体化建模, 提出了一种新颖的深度因果图建模方法. 首先, 利用循环神经网络建立深度因果图模型, 将Group Lasso稀疏惩罚项引入到模型训练中, 自动地检测过程变量间的因果关系. 其次, 利用模型学习到的条件概率预测模型对每个变量建立监测指标, 并融合得到综合指标进行整体工业过程故障检测. 一旦检测到故障, 对故障样本构建变量贡献度指标, 隔离故障相关变量, 并通过深度因果图模型的局部因果有向图诊断故障根源, 辨识故障传播路径. 最后, 通过田纳西?伊斯曼过程进行仿真验证, 实验结果验证了所提方法的有效性.     

第五讲 多变量系统的预测控制（一）

第五讲多变量系统的预测控制（一）电子科技大学（成都）周云钟现代工业过程往往是复杂的多输入／多输出系统，即多变量系统。多变量系统由于输入、输出之间存在着耦合，因而控制要复杂得多。对多变量系统的预测控制也由于预测与误差校正的复杂而导致控制系统设计的复杂性...     

多温区电加热炉的系统模型辨识及仿真试验

多温区电加热炉建模是系统辨识领域中的一个典型问题,电加热炉控制过程往往表现出非线性、大迟延和耦合性等特点,难以用传统方法建立精确的数学模型.针对此问题,提出了一种加权最小二乘递推辨识算法,并应用到钟罩式加压烧结炉的建模试验中,通过试验验证了该方法能够获得较好的数学模型.此方法对多变量工业过程的控制方法研究、多变量系统的控制理论研究有着广泛的理论和实际意义.     

基于简化因果图的工业过程故障根本变量诊断

在对工业过程故障进行根本原因诊断时,由于过程的自身特性和反馈控制等因素的干扰,使得变量因果图过于复杂从而使故障传播路径难以解释且不能找到导致故障的根本变量。提出一种简化因果图的方法,通过两步走对收敛交叉映射法构建的因果图实现简化,保留主要的故障传播路径。首先采用模糊综合评判法判别因果图中不确定性的关系;然后通过求解最大生成树,得到赋权无向图,并根据变量间因果关系选取根节点,分析赋权无向图获得新路径,从而将其改进成赋权有向图。在田纳西—伊斯曼过程进行验证实验,并与传统收敛交叉映射法进行比较,结果表明所提出方法的有效性。     

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.     

无人机PCA故障检测与诊断技术研究

无人机（UAV）飞控系统传感器故障检测和诊断常采用基于解析模型的方法,但飞行控制系统（FCS）的精确数学模型往往获取困难。针对此问题,提出了一种UAV-PCA算法。该算法在传统主成分分析（PCA）方法的基础上结合方差敏感自适应阈值的故障检测方法和基于特征方向的故障诊断方法,实现UAV飞控系统传感器的故障检测和诊断。算法不需要系统的数学模型,解决了应用传统PCA方法进行FCS故障检测与诊断时易出现暂态过程虚警和误诊断的问题。仿真结果证明该算法可以快速准确地检测传感器故障,而且可以有效地降低暂态过程虚警和提高诊断结果准确度。     

基于SαS分布参数估计的系统鲁棒故障检测

因为复杂系统难以建立精确的数学模型,基于模型的故障检测方法在实际复杂控制系统中应用时往往难以获得很好的效果。针对这类数学模型未知的非线性系统,提出了一种基于SαS分布参数估计的系统故障检测方法。首先应用预测方法对系统输出序列进行预测建模,利用预测误差放大信号的脉冲突变,然后利用SαS分布的参数估计方法对预测误差序列的参数α进行估计,获得α的变化曲线,根据α的变化可以直观地判断出故障的发生。该方法对大幅值的有色噪声污染的信号仍然有很好的检测鲁棒性。以轴承系统的故障检测为例进行仿真实验,通过分析轴承振动信号故障条件下α曲线的变化情况,判断轴承的故障状态。仿真结果证实了该方法有效且可行。     

基于T-PLS贡献图方法的故障诊断技术

多变量统计过程监控对于复杂工业过程是一种有效的故障检测和诊断技术. 最小二乘(或称潜空间投影)模型是多变量统计过程监控中常用的一种投影模型, 能够同时对过程数据和质量数据进行建模. 讨论了一种新的基于全潜空间投影模型的故障诊断技术. 全潜空间投影模型中有4个检测统计量. 提出了一种新的T2贡献图计算方法, 对于所有检测统计量, 得到了相应的贡献图算法. 为了确定一个变量是否发生了故障, 计算所有变量贡献图的控制限. 该技术可以将辨识到的故障变量分为与Y有关和与Y无关的两类. 基于Tennessee Eastman过程的案例研究表明了该技术的有效性.     

基于并发改进偏最小二乘的质量相关和过程相关的故障诊断

并发潜结构投影(CPLS)与传统贡献图法是多元统计过程监控中常用的故障检测与诊断方法.过程监控通常要求监测的时效性与诊断的准确性,然而,由于CPLS计算复杂以及传统贡献图诊断结果易受初始贡献较大的变量影响,因此它们反馈的监控结果可能并不准确.针对上述问题分别提出一种并发改进偏最小二乘(CMPLS)方法和新的相对贡献图法(NRC).首先,CMPLS将输入和输出数据同时投影到与过程相关或质量相关的多个子空间,在相应子空间分别构造适用于各种故障报警的监测指标进行过程监测;然后,结合所提出的NRC进行故障识别.所提方法对过程故障实现全面监测的同时避免了过多的迭代过程,并消除了过程变量中对检测指标初始贡献较大变量的影响.最后利用数值仿真和田纳西伊士曼过程验证了所提方法的有效性.     

基于人机共融的包装机故障诊断系统的设计与实现

随着工业4.0和物联网时代的来临,基于经验和手册的设备维修方式已不能满足复杂设备维修的要求。而传统的设备诊断系统往往只注重从物理传感器采集数据,缺少引入人的经验,难以拥有自学习能力。本文以ZB45烟草包装机为例,提出一种具有自学习能力的人机共融新型故障诊断系统。系统采用贝叶斯网络,实现对传感器数据的自动推理。通过自然语言处理模块与用户交互,学习用户的维修经验,并用来改进诊断效果。提出了基于凸优化的标签选择方法,根据观察到的现象推荐合适的标签,以快速确定最可能的故障,实现快速找到报警号码对应的故障源。生产现场的实测数据表明,本系统可以有效降低万箱故障次数,有效提高故障诊断精度,降低故障排查时间。     

端边云协同的复杂工业过程运行控制智能系统

针对难以建立数学模型的复杂工业运行控制过程,利用可获得的过程控制系统设定值和运行指标以及相关变量的工业大数据和运行控制过程特性,将系统辨识与深度学习相结合,建立以实际运行指标以及相关变量为输入,以实际过程控制系统设定值为输出的运行控制过程数字孪生模型,提出云-边协同的过程控制系统设定值智能控制方法.所提出方法由云-运行控制过程数字孪生模型、边-过程控制系统设定值智能控制模型和自校正机制组成.将工业互联网与工业过程控制系统相结合,提出端边云协同的工业运行控制智能系统的架构和功能,采用所提出控制系统设定值智能控制方法,研制工业过程运行控制智能系统,并在选矿关键设备—–高压辊磨成功应用.所提出系统安全、可靠和优化运行,取得了显著的节能减排效果.     

基于方差最大化旋转变换的k近邻故障诊断策略

为了提高FD-kNN针对潜隐变量在非线性和多模态过程中的故障检测能力,提出一种基于方差最大化旋转变换的k近邻故障检测与诊断策略。首先,通过方差最大化方法建立旋转变换将原始数据变换到新的正交空间;接下来在该正交空间中执行FD-kNN方法进行故障检测;最后,结合贡献图方法给出基于贡献图的故障诊断策略。通过一个非线性模拟实例,证明方法对潜隐变量故障诊断是有效的;同时,在典型非线性工业过程田纳西过程进行测试,与PCA、FD-kNN和PC-kNN等方法进行对比,实验结果进一步证明了方法的有效性。     

基于主成分分析和奇偶向量的动态检测方法

导航系统中冗余IMU传统故障检测方法由于数学模型过于复杂,计算量大,存在较大延时,难以实现实时故障检测,而主成分分析法仅仅应用于静态情况下的故障检测与隔离,针对主成分分析法无法在动态情况下对冗余IMU进行故障检测的缺点,提出了一种基于奇偶空间法改进主成分分析的故障检测算法,该方法利用奇偶向量隔离车辆的动态变量,以消除动态变量对故障检测的影响,再用PCA方法检测数据以实现对车辆传感器信息的实时检测,通过将原始数据集转置到特征平面来形成图案,实现了IMU传感器正常与故障模式的准确分离,提高了冗余IMU故障检测的结果精确性和可靠性。实验结果表明,该方法能够较好检测动态状态下冗余IMU的故障,提高了主成分分析的故障检测性能,可有效消除导航系统运动的负面影响。     

多控制回路振荡源诊断的软件平台的构建

在一些大型工业过程中,由于其系统的复杂程度高,其系统出现故障的概率相对也会变高,因此对多回路系统振荡源的诊断及研究对实际工业中的振荡诊断具有很重要的意义。利用Matlab Gui设计了多控制回路振荡源诊断的软件平台,集成了功率谱主成份分析法(SPCA)、功率谱独立成分分析法(SICA)、非负矩阵分解法(NMF)、功率谱相关性图法(PSCMAP)四种方法。通过此软件平台对生成的仿真数据进行振荡源的诊断,仿真结果初步验证了平台是有效的。     

ARX模型在除湿机故障诊断中的应用

冷冻式除湿机系统具有非线性和强耦合的特点,难以通过建立精确数学模型的方法对其进行故障诊断.基于此,研究引入了一种ARX黑箱模型方法,该方法利用系统输入输出数据通过辨识的方法确定模型结构和参数,然后通过比较模型预测输出值和实测值之间的差异来对故障进行诊断.由于ARX模型的建立不需要知道系统内部复杂的物理机理,因此建模相对简单.在具体应用中,建立了系统级和部件级两个层次的ARX模型,先用系统模型监测出故障,再利用部件模型对故障进行定位.诊断实例表明数据仿真结果与实际工况相吻合,由此说明该方法应用于除湿机故障诊断是可行的.     

从结构推断到根因识别——工业过程故障根因诊断研究综述

由于现代工业过程的复杂结构,变量间普遍存在紧密耦合,故障往往在变量间广泛传播,为过程运维带来挑战.针对该问题,工业根因诊断(industrial root cause diagnosis, IRCD)技术应运而生,其从异常变量中确定故障根因,便于针对性故障处理. IRCD包含两个主要步骤:结构推断和根因识别.前者建立变量间的信息传递结构;后者根据传递结构定位根因.然而,现有IRCD综述多侧重于结构推断,未对根因识别步骤进行调研,且未建立起各类IRCD模型与过程特性间的系统关联.为此,从结构推断和根因识别两个层级展开IRCD的研究综述.首先,依据推断准则的异同,归纳4类经典结构推断模型;其次,考虑到过程的高维度、非线性、非平稳性质以及机理知识的效用,对结构推断模型的变种及适用场景进行梳理;随后,对根因识别方法进行归类,包括纯数据驱动、知识与数据融合驱动的范式,涵盖6类典型方法,并分析它们的优势与不足;最后,讨论IRCD技术中存在的挑战,并给出未来研究方向,为后续研究提供参考.     

一种基于独立元贡献度的子空间故障检测方法

针对工业过程故障检测问题,本文定义了独立元贡献度和贡献度矩阵,提出一种改进的子空间检测算法.首先,利用独立元分析(independent component analysis,ICA)算法提取过程变量的独立元信息,通过计算各个独立元在过程变量上的贡献度,构造贡献度矩阵;然后根据贡献度的大小,挑选出对应的变量组成反映不同"源"信息的子空间,并在这些子空间上建立故障检测模型;最后综合以上的多个检测模型,根据实际的需求或者故障的传播特征,确定集成策略,对工业过程进行故障检测.通过在TE(Tennessee Eastman)过程上对21种故障工况和1种正常工况的仿真研究,说明提出的改进算法是有效的.     

基于独立子空间算法与集成策略的仪表微小故障诊断方法

针对流程工业中多仪表微小故障难以检测的问题,利用独立元分析(ICA)提取仪表变量的独立元信息,根据独立元贡献度矩阵构建独立元子空间,并分别在每个独立元子空间上根据不同的贡献率选择独立元个数,得出三个统计量及其控制限,建立故障检测模型。再综合所有子空间故障检测模型的检测结果,根据实际需求制定集成故障检测策略,最后通过贡献度算法对故障源进行识别和分离。对Tennessee Eastman过程数据的仿真实验结果表明独立子空间算法提高了微小故障的检测精度,在流程工业中多仪表故障诊断中配合不同的集成故障检测策略在应用中更具有灵活性。