变量加权型主元分析算法及其在故障检测中的应用

传统主成分分析(PCA)算法旨在挖掘训练数据各变量间的相关性特征,已在数据驱动的故障检测领域得到了广泛的研究与应用。然而,传统PCA方法在建模过程中通常认为各个测量变量的重要性是一致的,因此不能有效而全面地描述出变量间相关性的差异。为此,提出一种变量加权型PCA(VWPCA)算法并将之应用于故障检测。首先,通过对训练数据进行加权处理,使处理后的数据能够充分体现出变量间相关性的差异。然后,在此基础上建立分布式的PCA故障检测模型。在线实施故障检测时,则通过贝叶斯准则将多组监测结果融合为一组概率指标。VWPCA方法通过相关性大小为各变量赋予不同的权值,从而将相关性差异考虑进了PCA的建模过程中,相应模型对训练数据特征的描述也就更全面。最后,通过在TE过程上的测试验证VWPCA方法用于故障检测的优越性。     

基于最大信息系数的分组支持向量数据描述故障检测

工业过程的众多变量之间往往存在着复杂的相关关系，传统的故障检测模型通常会忽略不同变量间相关性的差异，对不同相关关系的变量采用相同的特征提取方法，从而导致检测效果欠佳。针对以上问题，提出了一种基于最大信息系数的分组支持向量数据描述故障检测模型，首先计算变量间的最大信息系数矩阵，按照相关性的不同对变量进行分组，再通过最大信息系数为模型混合核函数中高斯核与多项式核的权重分配提供理论指导，从而分别为各组建立不同的支持向量数据描述检测模型，完成最大信息系数与支持向量数据描述的紧密结合，最终实现分布式故障检测。通过仿真对比，验证了该模型的可行性与有效性。     

基于互信息的分散式动态PCA故障检测方法

对现代大型复杂动态过程来讲,不同测量变量会存在不同的序列相关性,而且变量间的相互影响会体现在不同的采样时刻上。为此,结合利用分散式建模的优势,提出一种基于互信息的分散式动态过程故障检测方法。该方法在对每个测量变量都引入多个延时测量值后,利用互信息为每个变量区分出与其相关的测量值,并建立起相应的变量子块。这种变量分块方式使每个变量子块都能充分地获取与之相对应的自相关性与交叉相关性信息,较好地处理了数据的动态性问题。然后,利用主元分析（PCA）算法对每一变量子块进行统计建模从而建立起适于大规模动态过程的多模块化的故障检测模型。最后,通过实例验证该方法用于动态过程监测的可行性和有效性。     

基于互信息的PCA方法及其在过程监测中的应用

主元分析(PCA)是一种经典的特征提取方法,已被广泛用于多变量统计过程监测,其算法的本质在于提取过程数据各变量之间的相关性。然而,传统PCA算法中定义的相关性矩阵局限于计算变量间的线性关系,无法衡量两个变量间相互依赖的强弱程度。为此,提出一种新的基于互信息的PCA方法(MIPCA)并将之应用于过程监测。与传统PCA所不同的是,MIPCA通过计算两两变量间的互信息来定义相关性,将原始相关性矩阵取而代之为互信息矩阵,并利用该互信息矩阵的特征向量实现对过程数据的特征提取。在此基础上,可以建立相应的统计监测模型。最后,通过实例验证MIPCA用于过程监测的可行性和有效性。     

基于互信息的分散式动态PCA故障检测方法

对现代大型复杂动态过程来讲,不同测量变量会存在不同的序列相关性,而且变量间的相互影响会体现在不同的采样时刻上。为此,结合利用分散式建模的优势,提出一种基于互信息的分散式动态过程故障检测方法。该方法在对每个测量变量都引入多个延时测量值后,利用互信息为每个变量区分出与其相关的测量值,并建立起相应的变量子块。这种变量分块方式使每个变量子块都能充分地获取与之相对应的自相关性与交叉相关性信息,较好地处理了数据的动态性问题。然后,利用主元分析(PCA)算法对每一变量子块进行统计建模从而建立起适于大规模动态过程的多模块化的故障检测模型。最后,通过实例验证该方法用于动态过程监测的可行性和有效性。     

基于加权互信息主元分析算法的质量相关故障检测

质量相关的故障检测已成为近几年研究热点,它的目标是在过程监测中,对质量相关的故障检测率更高,对质量无关的故障少报警或不报警。传统主元分析算法的故障检测会对所有故障均报警,不能达到上述要求。另外,在实际工业生产中,质量变量通常难以实时获得,需要后续分析或延时得到。为此,提出一种融合贝叶斯推断与互信息的加权互信息主元分析算法。首先利用贝叶斯推断的加权方法将度量过程变量和质量变量之间相关关系的互信息进行融合,选出包含质量变量信息量最大的一组过程变量。然后对过程变量利用主元分析（principal component analysis,PCA）进行统计建模,再次根据加权互信息选出包含质量变量信息量最大的主元,建立统计量进行故障检测。最后,通过实验验证该方法的可行性和有效性。     

基于多块信息提取的PCA故障诊断方法

传统的监控方法往往只利用传感器观测值信息进行过程的故障监测，而忽略了原始数据中包含的其他有效信息。为此，提出一种基于多块信息提取的PCA故障监测算法。首先，对过程变量的累计误差和变化率信息进行定义，从而能够从数据中提取新的特征信息，并基于每种特征将过程划分为3个子块；然后，利用PCA方法对每个子块进行建模与监测，通过贝叶斯方法对监测结果进行融合；最后，提出一种基于加权贡献图的故障诊断方法，分离出引发故障的源变量。通过数值例子与田纳西-伊斯曼（TE）过程监控中的应用证明了所提方法的有效性与可行性。     

基于多块信息提取的PCA故障诊断方法

传统的监控方法往往只利用传感器观测值信息进行过程的故障监测,而忽略了原始数据中包含的其他有效信息。为此,提出一种基于多块信息提取的PCA故障监测算法。首先,对过程变量的累计误差和变化率信息进行定义,从而能够从数据中提取新的特征信息,并基于每种特征将过程划分为3个子块;然后,利用PCA方法对每个子块进行建模与监测,通过贝叶斯方法对监测结果进行融合;最后,提出一种基于加权贡献图的故障诊断方法,分离出引发故障的源变量。通过数值例子与田纳西-伊斯曼(TE)过程监控中的应用证明了所提方法的有效性与可行性。     

基于互信息和MPCA的单基药塑化过程监测方法

针对现阶段单基药塑化过程缺乏可靠的渐变式故障检测和异常工况的报警及评价能力等问题,同时传统数据驱动方法难以处理过程中包含的多种线性与非线性关系混合特征,又无法突出变量间耦合相关性的差异,提出一种基于归一化互信息的多向主成分分析故障检测方法。该方法通过归一化互信息刻画过程中多维变量间的复杂耦合关系,并以此对不同维度变量之间的相关性特征进行权值修正,得到体现每个变量与其他维度变量之间耦合作用关系的数据集,并分别建立与其相应的监测模型。最后再利用贝叶斯推理将不同模型的监测结果融合成一组概率指标实现过程监测。实验结果表明了所提方法的有效性,可实现塑化过程多种故障的快速检测和异常工况的监测预警。     

基于缺失变量估计误差的工业过程监测方法

传统主元分析(principal component analysis, PCA)算法在实施投影变换挖掘潜在特征成分时,不同投影变换方向对原始数据不同测量变量赋予了不同的权重值。而从故障检测的角度出发,各个测量变量的重要性程度是等同的。因此,传统PCA方法的过程监测性能还有待商榷。为克服这一缺陷,借鉴基于机理模型故障检测方法生成误差的思路,提出一种基于缺失变量估计误差的工业过程监测方法。首先,通过逐一假设每个测量变量缺失后,利用PCA模型中处理缺失变量的迭代算法(iterativealgorithm,IA)推测出相应缺失变量的估计值。然后,以缺失变量的实际值与估计值之间的误差作为被监测对象实施在线故障检测。通过逐一假设变量缺失的方式,等同地对待了每个测量变量。而利用误差实施监测则可以在缺失变量前提下,通过监测误差的变化反映出该缺失变量对PCA模型中特征成分的影响程度。最后,通过在TE过程上的对比验证了该方法的优越性与可行性。     

Fault monitoring based on mutual information feature engineering modeling in chemical process

A large amount of information is frequently encountered when characterizing the sample model in chemical process. A fault diagnosis method based on dynamic modeling of feature engineering is proposed to effectively remove the nonlinear correlation redundancy of chemical process in this paper. From the whole process point of view, the method makes use of the characteristic of mutual information to select the optimal variable subset. It extracts the correlation among variables in the whitening process without limiting to only linear correlations. Further, PCA (Principal Component Analysis) dimension reduction is used to extract feature subset before fault diagnosis. The application results of the TE (Tennessee Eastman) simulation process show that the dynamic modeling process of MIFE (Mutual Information Feature Engineering) can accurately extract the nonlinear correlation relationship among process variables and can effectively reduce the dimension of feature detection in process monitoring.     

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MAF的传感器故障检测与诊断

针对工业控制系统中变量之间既存在线性相关性,且在时间结构上呈现自相关的特点,提出了一种基于最小/最大自相关因子(min/max autocorrelation factors, MAF)分析的传感器故障检测与诊断方法。首先,利用正常工况下的历史数据进行自相关因子分析,获得强自相关因子和弱自相关因子;在此基础上构造故障检测统计量,由核密度估计方法获得故障检测控制限,根据贡献图进行传感器故障定位。将所提出的方法应用于连续反应釜仿真过程的传感器故障检测与诊断,与经典的多变量统计方法——主元分析方法相比,所提出的方法能避免虚警,更快地检测缓变故障,并能更好地诊断和解释复杂故障。     

基于多层优化PCC-SDG方法的化工过程故障诊断

化工过程的故障发生往往都是一个变量带动多个变量的连锁效应。本文基于变量的相关性变化特点,用符号有向图SDG（signed directed graph）描述系统因果影响关系,以皮尔逊相关系数PCC（Pearson correlation coefficient）计算网络统计指标,提出了一种基于多层优化PCC-SDG的故障诊断方法。该方法基于全工艺的网络拓扑结构,首先对选取的变量进行初步优化。然后,为有效提取工艺特征信息,运用PCA（principal component analysis）权重思想从多层相关系数集中选取了权重较大的关键变量,结合SDG建立最优PCC-SDG网络。最后,针对最优PCC-SDG网络变量的相关性规律重构聚集权重系数Q,进行过程故障检测与诊断。TE（Tennessee Eastman）仿真过程的应用结果表明,PCC-SDG建模及故障诊断步骤较为简洁,可以充分挖掘SDG深层次关联特性,定量简化SDG的故障诊断效果明显,具有较好的过程监控优势。     

基于最小充分统计量模式分析的故障检测方法

统计量模式分析（SPA）最近在故障检测领域取得了广泛应用,其实质是用数据的统计量矩阵来代替原始数据矩阵进行故障检测,然而其统计量的选取存在盲目性且各统计量之间存在复杂的非线性关联关系,难以满足后续应用主成分分析（PCA）完成故障检测所需的基本条件。为了解决这个问题,提出了基于最小充分统计量模式分析的故障检测方法（MSSPA）。该方法首先将原始数据矩阵进行正交变换以消除变量之间的关联性,然后估计出每个变量的概率密度函数或者多个变量的联合概率密度函数,进而求出原始数据的最小充分统计量,并用最小充分统计量来构造统计量矩阵。最小充分统计量的引入还能够有效应对数据的非高斯分布问题。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。     

Adaptive partitioning PCA model for improving fault detection and isolation☆

In chemical process, a large number of measured and manipulated variables are highly correlated. Principal com-ponent analysis (PCA) is widely applied as a dimension reduction technique for capturing strong correlation un-derlying in the process measurements. However, it is difficult for PCA based fault detection results to be interpreted physical y and to provide support for isolation. Some approaches incorporating process knowledge are developed, but the information is always shortage and deficient in practice. Therefore, this work proposes an adaptive partitioning PCA algorithm entirely based on operation data. The process feature space is partitioned into several sub-feature spaces. Constructed sub-block models can not only reflect the local behavior of process change, namely to grasp the intrinsic local information underlying the process changes, but also improve the fault detection and isolation through the combination of local fault detection results and reduction of smearing effect. The method is demonstrated in TE process, and the results show that the new method is much better in fault detection and isolation compared to conventional PCA method.     

基于核主角的故障检测方法

基于主元分析（PCA）的统计检测方法已经被广泛应用于各种化工过程的故障检测和识别.移动主元分析（moving principal component analysis,简称MPCA）算法基于PCA,根据主元子空间的变化来判断故障是否发生.然而,基于主元分析的统计检测方法是线性方法,无法有效应用于非线性系统.因此,提出一种适合于非线性系统的故障检测方法——基于核主角(kernel principal angle,简称KPA)的故障检测方法,其基本思想与MPCA相似,主要内容包括构建特征子空间和核主角测量两部分.TE过程故障检测仿真实验证明,基于核主角的故障检测方法优于传统的多元统计检测方法（cMSPC）和MPCA.     

基于变量子域PCA的故障检测方法

针对工业过程监控中传统主元分析（PCA）方法没有突出局部变量信息的问题,提出一种基于变量子域PCA（variable sub-region PCA,VSR-PCA）的故障检测方法。首先使用PCA将原始数据空间分解成主元子空间（principal component subspace,PCS）和残差子空间（residual subspace,RS）,计算变量与PCS的互信息来度量两者的相关性并以此划分变量子域。然后在变量子域中计算局部T²统计量和局部SPE统计量,并通过贝叶斯推理整合所有子域的信息构造全局统计量,使得在利用所有过程信息的同时挖掘局部变量信息。在连续搅拌反应釜系统上的仿真结果表明,VSR-PCA方法具有更好的过程监控性能。