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.     

一种基于输入训练神经网络的非线性PCA 故障诊断方法

简要讨论了线性PCA故障诊断方法存在的问题，提出一种基于输入训练神经网络的非线性PCA故障诊断方法。该方法首先利用输入训练神经网络和BP网络双网络机制，实现非线性主元的识别，并采用统计方法进行故障检测与故障分离。对CSTR的仿真研究结果表明，该方法能够克服线性PCA方法在提取过程变量的非线性特征方面存在的不足，并能够准确地进行故障检测和分离。     

基于故障映射向量和结构化残差的主元分析(PCA)故障隔离

在基于主元分析(PCA)的多变量统计过程监控中, 现有方法很难直观有效地完全实现故障的隔离与诊断. 本文通过分析各类故障的数学模型, 提出一种基于结构化残差和故障映射向量的隔离方法, 并推导出PCA模型下过程故障映射向量方向的提取算法, 进而实现了传感器/执行器故障和过程故障的故障隔离, 在CSTR仿真上的研究进一步验证了该法的有效性.     

逆投影主元分析方法及其在故障诊断中的应用

本文针对主元分析(PCA)方法在故障检测和诊断应用中的特点，对其进行拓展性研究，提出一种逆投影主元分析方法，意在提高故障检测灵敏度和诊断准确性。该方法针对主元分析将数据从原始变量空间投影到主元空间的特点，试图将含有故障信息的主元从主元空间逆投影回原始变量空间，确定出故障变量，从而实现故障诊断。     

基于PCA和神经网络的故障诊断技术

提出一种基于PCA和神经网络的故障诊断/识别方法,利用主元分析法提取故障样本集的主元,实现故障样本的最优压缩,简化故障诊断中神经网络分类器的结构,提高神经网络的分类速度和测试精度。仿真结果表明,该方法可以有效减少输入层神经元个数,提高神经网络模型的学习效率和诊断的准确性,具有良好的故障识别能力。     

主元空间中故障重构的故障识别（英文）

基于主元分析(Principal Component Analysis,PCA)统计过程监控方法,由于其不需要数学模型,因此目前在过程监控领域获得了广泛应用,但这也限制了其在故障诊断方面的能力。针对此问题,本文从故障子空间与PCA监控模型的角度,利用故障重构技术,对基于PCA的T~2统计量进行重构,获得了主元子空间中T~2统计量的故障可重构性理论条件,提出了具体的故障识别指标和诊断算法,解决了基于主元子空间故障重构技术的故障诊断问题,弥补了Dunia等人的方法只在残差子空间中讨论故障重构与识别问题。通过对双效蒸发过程的仿真监控,表明了所获得的理论条件、故障识别指标和诊断算法能对传感器故障和过程故障进行有效地识别,证实了所获理论、识别指标和诊断算法的有效性。     

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。     

TEP故障诊断方法研究

针对TEP(Tennessee Eastman Process)的故障诊断问题,分别采用PCA主元分析法与粒计算属性约简算法对TEP的52个变量在15种故障情况下的实测数据分别进行处理。结果显示采用PCA主元分析方法可以将其中的14个对各种故障情况都无影响或影响微弱的变量排除,而采用基于粒计算的属性约简算法。对预处理后的数据进行属性约简,可以将条件属性约简至24个即排除28个条件属性,表明该方法对TEP故障诊断的有效性。     

基于RBR和PCA的2.4米风洞故障诊断系统应用研究

为解决2.4米风洞试验装备的故障监测与诊断(FDD)问题,设计了一种基于规则推理(RBR)和主元分析(PCA)的并行故障诊断系统;对试验流程和因果关系较强的单一装备故障,采用RBR诊断方法;而对控制过程和重要传感器的故障,通过构建PCA模型,根据平方预报误差(SPE)实现系统故障的诊断;运行效果表明:该系统实时性好、诊断结果与实际相符合、且对过程故障具有较强的针对性。     

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。