基于状态空间主成分分析网络的故障检测方法

作为一种经典的方法,主成分分析（PCA）在多元统计过程监控领域得到了广泛的应用。然而,主成分分析及其各种改进方法仅从原始数据中提取了一层特征,缺乏对深层次特征的提取。计算机领域深度学习技术的发展表明了深层次的网络结构有利于数据特征的提取,因此,将主成分分析网络（PCANet）这种深度学习网络结构引入到故障诊断领域,与多元统计过程监控方法进行结合,以增强故障检测效果。在PCANet框架下,针对工业过程数据的动态特征,在网络结构中增加了状态空间模型作为动态层以解决动态性问题。此外,还以故障检测为目标重新设计了输出层。最后,通过在TE过程上的仿真测试验证了该方法用于故障检测的可行性和有效性。     

基于加权深度支持向量数据描述的工业过程故障检测

传统支持向量数据描述（SVDD）方法本质上采用浅层学习框架,难以有效监控非线性工业过程的复杂故障。针对此问题,提出一种基于加权深度支持向量数据描述（WDSVDD）的故障检测方法。该方法一方面在深度学习框架下重新定义SVDD优化目标函数,构建基于深度特征的深度SVDD监控模型（DSVDD）,并利用核密度估计法计算监控指标的统计控制限;另一方面,考虑到深度特征的故障敏感度差异特性,在DSVDD监控模型中设计特征加权层,分别从静态和动态信息分析角度给出权重因子的计算方法,利用权重因子突出故障敏感特征的影响以提高故障检测率。应用于一个典型化工过程的测试结果表明,所研究的方法能够比传统SVDD方法更有效地监控过程中复杂故障的发生。     

基于DMVU-OCSVM的故障诊断方法

针对工业过程的非线性和动态特性,提出一种基于动态最大方差展开（DMVU）和单类支持向量机（OCSVM）的故障诊断方法DMVU-OCSVM。为了分析数据的动态特性和非线性,应用流形学习技术DMVU提取数据变量中的非线性动态流形特征。基于所提取的流形特征信息建立OCSVM统计模型,并构造非线性监控统计量实时检测过程故障。在连续搅拌反应器（CSTR）系统上的仿真结果说明,本文提出的方法能够比OCSVM更有效地检测过程故障。     

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。     

基于改进核主成分分析的故障检测与诊断方法

针对传统基于核主成分分析的故障检测方法提取非线性特征时只考虑全局结构而忽略局部近邻结构保持的问题, 提出基于改进核主成分分析的故障检测与诊断方法。改进核主成分分析方法将流形学习保持局部结构的思想融入核主成分分析的目标函数中, 使得到的特征空间不仅具有原始样本空间的整体结构, 还保持样本空间相似的局部近邻结构, 可以包含更丰富的特征信息。在此基础上, 本文使用改进核主成分分析方法把原始变量空间映射到特征空间, 使用费舍尔判别分析在特征空间中构建距离统计量并通过核密度估计确定其控制限, 进一步利用相似度的性能诊断方法识别发生的故障类型。采用Tennessee Eastman过程故障检测数据集进行的仿真实验表明所提方法可以取得较好的效果。     

基于故障判别增强KECA算法的故障检测

基于核熵主成分分析方法的统计模型仅利用正常工况下数据进行建模，而忽略了监控系统数据库中一些已知类别的先前故障数据。为了利用先前故障数据中包含的故障信息来增强故障检测性能，提出了一种故障判别增强KECA（fault discriminant enhanced kernel entropy component analysis, FDKECA）算法。该法通过采用无监督学习和监督学习方法建立模型，同时监测非线性核熵主成分（kernel entropy component, KEC）和故障判别成分（fault discriminant component, FDC）两类数据特征。此外，利用贝叶斯推理将相应的监视统计信息转换为故障概率，并通过加权两个子模型的结果来构建基于总体概率的监视统计量。通过数值仿真和田纳西伊斯曼（Tennessee Eastman, TE）过程仿真实验，证明和传统KECA相比，FDKECA算法能够有效利用故障数据提高故障检测率。     

基于统计信号重构的传感器故障诊断

主元分析、偏最小二层等数据驱动的多元统计监控方法由于不依赖于精确的数学模型,在化工过程监控与故障检测方面取得了广泛应用.通过研究基于统计信号重构的传感器故障诊断算法,给出了统计信号重构算法的一般形式,并推导了基于统计信号重构算法进行传感器故障诊断的可检测与可分离性条件,定义了模型空间和余差空间的故障识别指标.通过CSTR仿真对象的应用比较了不同统计信号重构算法间的差异,验证了故障诊断算法的有效性.     

基于核可预测元分析的非线性故障检测技术

为克服可预测元分析方法在非线性领域的不足,并更好地反映工业监控过程的动态特性,将核可预测元分析方法引入非线性故障检测领域。首先将观测数据映射到高维特征空间,提取可预测元特征;然后基于贝叶斯定理构造统计量,用于监控工业过程进行并检测故障。在TE模型的仿真实验结果表明:基于核可预测元分析的非线性故障检测方法能有效提高系统的故障检测准确率。     

基于多动态核聚类的间歇过程在线监控

针对传统的多元统计监测方法不能有效检测工业过程中由于初始条件波动较大所引发的弱故障问题,提出一种基于多动态核聚类的核主元分析(DKCPCA)监控策略,实现多阶段间歇过程的弱故障在线监控.该方法首先针对过程中各阶段每一批次数据结合自回归移动平均时间序列模型(ARMAX)和核主成分分析(KPCA)方法分别建立动态核PCA模型,然后根据各批次模型间载荷的相似性采用分层次聚类方法进行聚类,最后将聚在一起的批次数据进行展开重新再建立动态核PCA模型,随着聚类数目的不同从而建立多个类模型.当在线应用时给出了多模型选择策略,以提高监测精度.将此方法应用于青霉素发酵过程的监控中,监测结果表明此方法取得了比DKPCA和MKPCA更好的监测性能.     

基于加权概率CVDA的动态化工系统微小故障检测

典型变量差异度分析（CVDA）是近年来提出的一种新型动态过程监控方法,已在微小故障检测领域获得成功应用。针对传统CVDA方法忽视了特征量的概率信息挖掘问题,提出一种基于加权概率CVDA（WPCVDA）的动态化工系统微小故障检测方法。一方面,该方法在基本CVDA模型特征基础上引入Wasserstein距离（WD）度量特征量概率分布的变化,构造概率化的WD特征提高CVDA模型对微小故障的灵敏度;另一方面,进一步考虑不同的WD特征成分携带故障信息的差异性,设计一种自适应权值计算策略,为关键的故障敏感特征成分设置大的权值,突出其在监控统计量中的作用。在一个标准化工过程的验证结果说明,所提出的WPCVDA方法比传统CVDA方法具有更好的微小故障检测性能。     

基于加权概率CVDA的动态化工系统微小故障检测

典型变量差异度分析（CVDA）是近年来提出的一种新型动态过程监控方法,已在微小故障检测领域获得成功应用。针对传统CVDA方法忽视了特征量的概率信息挖掘问题,提出一种基于加权概率CVDA（WPCVDA）的动态化工系统微小故障检测方法。一方面,该方法在基本CVDA模型特征基础上引入Wasserstein距离（WD）度量特征量概率分布的变化,构造概率化的WD特征提高CVDA模型对微小故障的灵敏度;另一方面,进一步考虑不同的WD特征成分携带故障信息的差异性,设计一种自适应权值计算策略,为关键的故障敏感特征成分设置大的权值,突出其在监控统计量中的作用。在一个标准化工过程的验证结果说明,所提出的WPCVDA方法比传统CVDA方法具有更好的微小故障检测性能。     

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。     

一种基于可预测元分析的故障诊断方法

将可预测元分析(Fore CA)引入到过程监控中,通过选取合适的可预测元并构造能够反映系统运行状况的统计量对在线数据进行统计监控,克服了主元分析(PCA)方法假设数据服从高斯分布且无法反映系统动态时序特性的缺陷,能很好地描述工业过程的动态特性并进行故障检测。TE模型上的仿真结果证明了Fore CA在工业过程监控中的可行性与有效性。     

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。     

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T ²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LECA的多工况过程故障检测方法

针对工业过程监控中的多工况复杂分布数据,提出一种基于局部熵成分分析(LECA)的故障检测方法。为处理数据的多模态分布问题,LECA首先采用KNN-Parzen窗方法估计变量的局部概率密度,进一步构造局部相对概率密度函数降低对窗参数选择的敏感性。为有效挖掘非高斯分布数据中的特征信息,利用信息熵理论计算过程数据的局部信息熵,并采用独立元分析(ICA)方法建立局部熵成分统计模型,实时检测过程故障。在数值例子和连续搅拌反应釜(CSTR)上的仿真结果表明,该方法在故障检测过程中能够获得较好的监控性能。     

基于局部信息的LNS-PCA的多模态过程故障监测

为了满足各种不同的企业生产需求，在实际化工过程中往往包括许多不同的运行模态。因为涉及内部各种反应的复杂性和微妙性，且各个环节相互联系，导致化工过程数据呈现高斯与非高斯数据相互混合的情况，传统多元统计监控(Multivariate Statistical Process Monitoring, MSPM)在多模态数据故障检测领域精确度较低。因此进行准确的复杂化工过程故障检测仍然是一大难题。针对这一类问题，本工作提出了一种新的基于局部信息的近邻标准化和主成分分析(Local Information Local Neighbor Standardization and Principal Component Analysis, LLNS-PCA)的方法建立高精确度的故障诊断模型。首先对样本利用高斯混合模型(Gaussian Mixture Model, GMM)方法分解成多个局部样本，应用每一个局部样本的平均值和方差进行近邻标准化，再使用主元分析进行故障监测。基于PCA监测模型，采用T2和SPE两种监测统计量对多模态过程进行监测。最后通过数值例子和青霉素生产过程验证其有效性。结果表明，相对于...     

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。     

基于潜变量自回归算法的化工过程动态监测方法

从建立潜变量自回归(AR)模型的角度出发,提出了一种基于潜变量自回归(LVAR)算法的化工过程动态建模与监测方法,旨在提取动态潜变量的同时给出各潜变量的AR模型。LVAR算法在最小化潜变量的AR模型残差的约束下,通过同时搜寻投影变换向量与AR系数向量,实现了对动态潜变量的特征提取及其AR模型的建立。此外,LVAR算法通过先提取动态潜变量后提取静态成分信息的方式,有效地区分了采样数据中的自相关性与交叉相关性。在对比实验中,通过比较分析LVAR方法与其他三种典型的动态过程监测方法在经典化工过程对象上的故障监测结果,验证了LVAR方法在动态过程监测上的优越性与可靠性。关键词:主成分分析;故障检测;缺失数据;过程系统