基于自适应混合核典型变量分析的工业过程质量相关故障检测

质量相关故障检测技术是保障工业过程安全顺行和质量稳定的重要手段,是当前流程工业过程控制领域的研究热点.针对工业过程的非线性与动态特性及其质量相关故障的时变特性,提出一种基于自适应混合核典型变量分析(AMKCVA)的质量相关故障检测方法.该方法通过设计合理的混合核函数和自适应监测统计量,提升了工业过程质量相关故障的检测性能.通过对典型的热轧过程现场数据进行仿真验证,并与传统方法对比分析,表明了所提算法的有效性和实用性.     

基于特征向量提取的核主元分析法

核主成分分析(KPCA)是非线性化工过程故障检测与诊断时常用的多变量统计控制方法之一.从两个方面改进了KPCA的故障检测性能.为了提高KPCA方法故障检测的准确率,提出了基于小波的KPCA故障检测方法.当样本数大时,采用基于几何考虑的特征向量提取(FVS)算法,降低了KPCA计算的复杂性,缩短了计算时间.Tennessee Eastman process仿真给出了所提出的方法的有效性.     

基于KPCA和灰色模型的凝汽器故障预测

汽轮机凝汽器的故障预测为其故障自愈的研究提供了理论依据.提出一种基于核主元分析和灰色预测模型的汽轮机凝汽器故障预测方法,首次将灰色预测理论应用于凝汽器的故障预测.采用核主元分析法对故障特征数据进行分析和处理,提取反映故障的主要特征量,以降低特征变量之间的非线性相关性,同时减少灰色预测模型的预测参数的数目.然后应用灰色预测理论建立故障特征的预测模型,对每一个主要特征量的趋势值进行预测,重构故障特征向量,用于汽轮机凝汽器故障的预测分析.     

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.     

基于非线性故障重构的旋转机械故障预测方法

对旋转机械的状态进行在线监测和故障预测是一个具有重要应用价值的工程问题. 采用基于核主元分析的非线性故障重构技术研究了多变量相关条件下旋转机械的故障估计及预测问题. 首先利用核主元分析对旋转机械系统进行离线非线性建模,并进行异常检测. 通过对故障程度进行定量描述,用最优化方法求解故障重构意义下的故障估计;然后 用多层递阶的方法对估计出的故障幅值的发展趋势进行预测. 最后,以中国石化北京燕山分公司的烟气轮机作为实际应用对象,验证了该方法的有效性.     

基于递推规范变量残差和核主元分析的微小故障检测

微小故障由于故障征兆不明显从而很难在故障发生早期对其进行检测. 针对该问题, 本文提出了一种基于递推规范变量残差和核主元分析(RCVD–KPCA)的微小故障检测方法. 首先构造规范变量残差, 从中提取数据的线性特征. 利用指数加权滑动平均法对规范变量残差进行递推滤波处理, 提高规范变量残差对微小故障的敏感程度;然后使用KPCA提取规范变量残差中的非线性主成分作为非线性特征, 根据提取的特征提出了两个新的故障检测统计量; 此外, 利用核密度估计确定故障检测统计量的控制限. 由于同时提取了过程数据的线性和非线性特征, 有效地提高了非线性动态过程中微小故障的可检测性. 以闭环连续搅拌釜式反应器过程为例进行了仿真分析, 仿真结果表明本文所提方法具有较好的故障检测性能.     

基于KPCA和CPSO的故障检测方法

提出一种基于核主元分析(KPCA)和混沌粒子优化群(CPSO)算法的非线性故障检测方法。通过核函数完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间来计算主元,构造平方预测误差统计量检测故障是否发生。为避免粒子群算法的早熟现象,利用混沌优化的搜索特性,将CPSO算法应用到KPCA核参数的优化中。变压器故障检测结果表明,与基于PCA、KPCA和 PSO-KPCA的故障检测方法相比,该方法的检测正确率较高。     

求解舰船电力系统网络重构的贪婪DPSO 算法

针对舰船电力系统的网络重构,建立了故障恢复的离散模型.提出基于简单贪婪法、概率贪婪法两种离散微粒群优化算法,分析了参数对离散化过程的影响.舰船电力系统网络故障恢复算例显示:该方法能获得更好的故障恢复方案;参数选取合适的概率贪婪法能有效地克服微粒群算法易于陷入局部极值的缺点,具有优良的收敛性能.     

基于优化核极限学习机的新能源配电网继电保护故障检测技术

随着分布式新能源接入电网容量的不断增加,配电网潮流分布更加复杂,传统的故障检测方法无法满足现有新能源配电网的需求,进一步降低了继电保护装置的可靠性、灵敏性。针对该问题,本文提出了一种基于优化核极限学习机的新能源配电网继电保护故障检测方法。首先,通过小波包变换特征提取配电网三相电流形成时频能量谱;然后,利用鲸鱼优化算法寻优速度快、收敛精度高的优点,优化核极限学习机参数,构建基于鲸鱼优化核极限学习机的新能源配电网继电保护故障检测模型,以准确获取新能源配电网的故障位置、类型、相序;最后,搭建IEEE33节点的新能源配电网模型并进行仿真验证。结果表明,该方法对不同故障位置、类型、相序均具有较高精度,提升了新能源配电网继电保护的故障检测水平。     

基于主元分析得分重构差分的故障检测策略

基于主元分析(PCA)的统计过程控制方法通常假设数据的生成过程是独立同分布的.当数据存在多模态结构或过程变量非线性相关时, PCA方法的故障检测性能将受到影响.针对上述问题,本文提出一种基于PCA得分重构差分的故障检测策略.首先,应用PCA将输入空间分解为主元子空间和残差子空间;接下来,应用k近邻(k NN)规则重构当前样本得分向量并计算样本的得分重构差分向量;最后,计算得分重构差分向量的统计值并进行故障检测.本文方法不仅可以降低数据多模态和变量非线性相关等特征对过程故障检测的影响,同时可以降低统计量的自相关性、提高过程故障检测率.将本文方法在两个模拟例子和田纳西–伊斯曼(TE)过程中进行测试,并与PCA、核主元分析(KPCA)、动态主元分析(DPCA)和k最近邻故障检测(FD–k NN)方法进行对比分析,测试结果证明了本文方法的有效性.     

基于一种小波核优化学习的KSPP子空间故障特征提取*

针对电子系统故障诊断中有效特征提取困难,核属性约简方法中核函数与核参数选择繁琐等问题,提出了一种基于自优化小波核稀疏保持投影的子空间特征提取方法。通过对核极化准则的改进,使得新准则不仅可以处理多类别信息,而且可以保留同一类别数据间的局部结构特征。以墨西哥帽小波核函数为对象,基于改进的核评估准则构建优化目标函数,并采用粒子群优化算法进行核参数选择。将优化的小波核作为核稀疏保持投影的核函数,最终实现了在核子空间中对有效特征的提取。实验结果表明,相比于其它流形的子空间特征提取方法,提出的方法有效提升了分类精度,具有良好的泛化性能。     

基于数据特征的内核恶意软件检测

内核恶意软件对操作系统的安全造成了严重威胁.现有的内核恶意软件检测方法主要从代码角度出发,无法检测代码复用、代码混淆攻击,且少量检测数据篡改攻击的方法因不变量特征有限导致检测能力受限.针对这些问题,提出了一种基于数据特征的内核恶意软件检测方法,通过分析内核运行过程中内核数据对象的访问过程,构建了内核数据对象访问模型;然后,基于该模型讨论了构建数据特征的过程,采用动态监控和静态分析相结合的方法识别内核数据对象,利用EPT监控内存访问操作构建数据特征;最后讨论了基于数据特征的内核恶意软件检测算法.在此基础上,实现了内核恶意软件检测原型系统MDS-DCB,并通过实验评测MDS-DCB的有效性和性能.实验结果表明：MDS-DCB能够有效检测内核恶意软件,且性能开销在可接受的范围内.     

Nonlinear feature selection using Gaussian kernel SVM-RFE for fault diagnosis

Feature selection can directly ascertain causes of faults by selecting useful features for fault diagnosis, which can simplify the procedures of fault diagnosis. As an efficient feature selection method, the linear kernel support vector machine recursive feature elimination (SVM-RFE) has been successfully applied to fault diagnosis. However, fault diagnosis is not a linear issue. Thus, this paper introduces the Gaussian kernel SVM-RFE to extract nonlinear features for fault diagnosis. The key issue is the selection of the kernel parameter for the Gaussian kernel SVM-RFE. We introduce three classical and simple kernel parameter selection methods and compare them in experiments. The proposed fault diagnosis framework combines the Gaussian kernel SVM-RFE and the SVM classifier, which can improve the performance of fault diagnosis. Experimental results on the Tennessee Eastman process indicate that the proposed framework for fault diagnosis is an advanced technique.     

基于判别核主元空间k近邻的批次过程监视

针对批次过程非线性、多模态等特征,提出一种基于判别核主元k近邻（Dis-kPCkNN）的故障检测方法。首先,在核主元分析（kPCA）中,高斯核的窗宽参数依据样本类别标签在类内窗宽和类间窗宽中判别选取,使得核矩阵能有效提取数据的关联特征,保持数据的类别信息;其次,在核主元空间中引用k近邻规则代替传统的T²统计方法,k近邻规则可以有效处理主元空间非线性和多模态等特征的故障检测问题。数值模拟实例和半导体蚀刻工艺过程仿真实验表明:基于判别核主元k近邻方法可以有效地处理具有非线性和多模态结构特征的故障检测问题,提高计算的效率,减少内存的占用,并且故障检测率明显优于传统方法。     

Some sets of orthogonal polynomial kernel functions

Kernel methods provide high performance in a variety of machine learning tasks. However, the success of kernel methods is heavily dependent on the selection of the right kernel function and proper setting of its parameters. Several sets of kernel functions based on orthogonal polynomials have been proposed recently. Besides their good performance in the error rate, these kernel functions have only one parameter chosen from a small set of integers, and it facilitates kernel selection greatly. Two sets of orthogonal polynomial kernel functions, namely the triangularly modified Chebyshev kernels and the triangularly modified Legendre kernels, are proposed in this study. Furthermore, we compare the construction methods of some orthogonal polynomial kernels and highlight the similarities and differences among them. Experiments on 32 data sets are performed for better illustration and comparison of these kernel functions in classification and regression scenarios. In general, there is difference among these orthogonal polynomial kernels in terms of accuracy, and most orthogonal polynomial kernels can match the commonly used kernels, such as the polynomial kernel, the Gaussian kernel and the wavelet kernel. Compared with these universal kernels, the orthogonal polynomial kernels each have a unique easily optimized parameter, and they store statistically significantly less support vectors in support vector classification. New presented kernels can obtain better generalization performance both for classification tasks and regression tasks.     

A novel fault diagnosis system using pattern classification on kernel FDA subspace

Recently, pattern recognition techniques have been applied for fault diagnosis. Principal component analysis (PCA) and kernel principal component analysis (KPCA) are introduced for feature extraction. However, those unsupervised learning methods have not incorporated the prior knowledge of process patterns. This paper proposes a novel fault diagnosis system to improve the performance of fault diagnosis. Kernel Fisher discriminant analysis (KFDA) is used in the first step for feature extraction, then Gaussian mixture model (GMM) and k-nearest neighbor (kNN) are applied for fault detection and isolation on the KFDA subspace. Since the performance of fault diagnosis system would be degraded in the fault detection stage, fault detection and identification are presented in a holistic manner without an intermediate step in the novel system. A case study of the Tennessee Eastman (TE) benchmark process indicates that the proposed methods are more efficient, compared to the traditional ones. Furthermore, as the performances of GMM and kNN are comparable, the data structure of the process should be checked beforehand, depending on which the optimal classifier can be selected.     

基于核费希尔判别的生产状态诊断方法

工艺参数间的非线性耦合关系,给生产过程的状态识别带来了很大的困难。为此,引入新的核映射准则,利用梯度优化方法选取核参数,并采用核Fisher方法进行降维处理,实现对生产状态在可视平面上的逐层多故障分类,完成对当前生产过程的状态诊断。利用TE数据进行实验验证,结果表明,与核主成分分析方法相比,该方法可以得到更加准确的诊断结果。