一种基于RBF神经网络的非线性PCA故障检测方法

针对传统PCA(主元分析)故障诊断方法在非线性过程应用中存在的缺点,提出了一种基于RBF(径向基)神经网络的非线性PCA故障检测方法。首先,提出一个由两个RBF网络构成的非线性统计模型,其中第一个网络用于建立输入变量到主元的非线性映射,第二个网络实现逆映射来重构原始数据。其次,用主元曲线算法来解决网络训练数据的获取问题。最后,给出了使用基于RBF网络的非线性PCA方法进行故障检测的步骤,并通过一个三阶非线性系统的仿真实例验证了该方法的有效性。     

基于集成主成分分析的故障检测方法

针对核主成分分析(KPCA)和主成分分析(PCA)的一些不足,提出一种基于集成主成分分析的故障检测方法。该方法将PCA与KPCA结合,利用KPCA描述过程的非线性信息并提取核主成分,再利用PCA对原始信息和核主成分一同提取线性主成分,通过构造统计量T2和SPE(或Q)进行故障检测。在TE(Tennessee-Eastman)过程上的仿真研究表明,本文提出的方法较PCA和KPCA有更高的故障检测精度。     

一种基于KPCA的非线性故障诊断方法

介绍了一种非线性故障检测方法———核主元分析法(KPCA),通过核函数来完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间.在特征空间中使用PCA计算主元,构造T2和SPE统计量检测过程故障的发生.提出了一种KPCA贡献图计算方法,根据测量变量和非线性主元的相关性,计算测量变量的贡献量绘制贡献图,用于故障变量的分离.仿真结果表明,KPCA方法可以比PCA方法更加迅速的检测到故障的发生,利用KPCA贡献图可以较好的辨识出故障变量.     

基于高斯和非高斯双子空间SVM的故障检测

为了降低样本间的自相关性对支持向量机(SVM)检测性能的影响,提出一种基于高斯和非高斯双子空间SVM(DSSVM)的故障检测方法.首先运用Kolmogorov-Smirnov(KS)检验原始数据中过程变量的正态分布特性,将过程变量划分为高斯子空间和非高斯子空间,并建立基于PCA的高斯子空间和IC A的非高斯子空间故障检测模型;分别对主元矩阵和独立元矩阵引入时滞特性和时差输入特性,该特性的引入能够降低样本间的自相关性;最后将引入时滞和时差特性的矩阵进行组合,运用SVM模型对其进行故障检测和监视.将该方法运用于多变量数值仿真和田纳西-伊斯曼工业过程,并与PCA、ICA、SVM和基于变量分布特征的统计过程检测方法(VDSPM)比较,仿真实验结果进一步验证了该算法的有效性.     

基于主元分析的火电厂生产过程故障检测研究

由于工况变化频繁,使用单一主元模型难以准确描述火电厂生产过程的统计特性,因此应用传统主元分析(PCA)故障检测方法会带来大量的误检。提出了一种适用于火电厂生产过程的改进PCA故障检测方法:首先用K均值聚类分析方法对过程数据进行分类得到各稳态工况下的数据;然后根据分类数据建立主元模型组来描述整个过程;最后在故障检测中对检测样本进行模糊划分,动态计算出与当前工况相适应的主元模型并进行检测。使用现场数据对比研究了传统方法和改进方法在锅炉过程故障检测中的应用情况。结果表明改进方法能适应工况变化,减少误检并提高检测灵敏度。     

一种基于KPCA的非线性故障诊断方法

介绍了一种非线性故障检测方法——核主元分析法(KPCA)，通过核函数来完成非线性变换，将变量由非线性的输入空间转换到线性的特征空间．在特征空间中使用PCA计算主元，构造T^2和SPE统计量检测过程故障的发生．提出了一种KPCA贡献图计算方法，根据测量变量和非线性主元的相关性，计算测量变量的贡献量绘制贡献图，用于故障变量的分离、仿真结果表明，KPCA方法可以比PCA方法更加迅速的检测到故障的发生，利用KPCA贡献图可以较好的辨识出故障变量。     

一种模式关联主元分析的海流机故障检测方法

针对海流机复杂工况下发电过程数据的多模式和模式频繁变动的问题,提出一种模式关联主元分析方法。从理论上分析模式变化对传统主元分析(principal component analysis, PCA)的影响,描述了过程数据多模式下的故障检测问题。提出一种模式标准化算法,动态拟合多模式数据特征。通过构建多模式关联关系,将变化模式引起的统计量差值剔除。通过搭建海流机试验平台,对比所提方法与传统检测方法验证了所提方法的有效性。理论分析和试验结果表明:在海流机变转速同时变载荷工况下,所提方法能够快速准确的检测出故障。     

基于PCA相似系数的故障诊断方法

分析了主元分析PCA进行故障诊断的基本原理,并讨论了故障辨识的相似系数法.在对相似系数法的不足之处进行分析后,提出了一种改进的相似系数计算方法.该方法通过对主元的加权和计算方法的改进,提高了相似系数的辨识性.仿真结果说明,改进后的相似系数法优于原先的相似系数法,能够更加明显的辨识出故障的类型.     

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析（PCA）方法的过程监测算法假定过程是线性的，对于具有强非线性的生产过程，应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析（MKPCA）算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化，采用MKPCA算法建立过程模型并用于过程的在线监测，计算T2、SPE统计量及相应的控制限.仿真结果表明，与传统PCA算法相比，MKPCA算法具有更好的监测性能，不仅大大降低了正常运行过程的误报率，而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性，获取过程变量间的非线性关系.     

基于支持向量机的MSPC方法及其应用

针对传统多变量统计过程控制（MSPC）方法在故障检测、故障原因分析和故障识别中的难点，提出了多元特征提取方法与基于支持向量机（SVM）的一类分类器设计、特征选择以及多类分类器设计方法相结合的一种完整的MSPC新方法.该方法在故障检测中可去除特征满足特定分布的假设前提，并可确定多个统计量的控制限；在故障原因分析中综合考虑故障对于各个变量大小的影响以及变量变化对于故障分类的重要性，提高了关键变量选择的准确性；并且故障识别是基于SVM对故障特征分类的优良特性，避免了传统判别法中经验准则的引入.上述方法在标准仿真平台Tennessee Eastman过程上结合主元分析（PCA）进行了应用，结果显示了其优越性.     

基于因果拓扑图的工业过程故障诊断

基于因果拓扑图的工业过程故障诊断方法,将过程知识与数据驱动故障诊断方法结合,有效解决了故障定位和故障传播路径辨识问题。 在因果拓扑图的基础上,基于偏相关系数提出一种相关性指标(correlation index, CI)定量衡量因果拓扑中变量间的相关性,实现变量间因果性和相关性的良好结合。为得到准确的故障检测结果,采用概率主元分析(PPCA)对CI指标进行监测。在检测出故障后,应用重构贡献图(reconstruction-based contribution, RBC)和因果拓扑图,并引入加权平均值的概念辨识出最可能的故障传播路径。将提出的方法用于带钢热连轧过程,结果表明,基于因果拓扑图的故障诊断方法能够准确地定位故障源,辨识故障传播路径。     

基于子PCA模型的故障分离方法及其应用

在应用传统PCA法对火电厂生产过程实施故障检测与分离时,火电厂生产过程中的变量表现出在一定的稳定工况范围内会出现小范围的波动振荡性以及部分变量间存在强相关性,这就导致了传统的贡献图法容易得出错误的故障分离信息。针对贡献图的缺点和火电厂的生产特点,提出一种子PCA模型的故障分离法,此法利用Q统计量的故障检测能力和统计规律来实现故障变量的精确定位。最后使用此法仿真了火电厂主汽压系统的故障分离过程,仿真结果表明使用子PCA模型法进行故障分离的优越性。     

基于DPCA-BP的故障诊断方法

针对动态主元分析(DPCA)在故障识别方面的缺点,引入了BP神经网络,将DP-CA与BP神经网络相结合,增强了对故障的辨识能力。该方法通过对各测量变量的自相关性分析,来降低动态主元分析中增广矩阵的维数,从而降低了分析过程的计算量。最后,将DPCA-BP应用于田纳西-伊斯曼过程的故障诊断中,验证了所提出方法的有效性。     

故障诊断中遗忘因子的选取方法

采用辨识及参数估计理论对故障检测预报 ,该方法行之有效 .在对故障检测过程中 ,辨识中遗忘因子选择非常重要 ,是故障预报准确与否的关键 ,本文针对铝电解过程 ,通过仿真 ,确定其选择方法     

Fault detection and identification for dead reckoning system of mobile robot based on fuzzy logic particle filter

To deal with fault detection and diagnosis with incomplete model for dead reckoning system of mobile robot, an integrative framework of particle filter detection and fuzzy logic diagnosis was devised. Firstly, an adaptive fault space is designed for recognizing both known faults and unknown faults, in corresponding modes of modeled and model-free. Secondly, the particle filter is utilized to diagnose the modeled faults and detect model-free fault according to the low particle weight and reliability. Especially, the proposed fuzzy logic diagnosis can further analyze model-free modes and identify some soft faults in unknown fault space. The MORCS-1 experimental results show that the fuzzy diagnosis particle filter (FDPF) combinational framework improves fault detection and identification completeness. Specifically speaking, FDPF is feasible to diagnose the modeled faults in known space. Furthermore, the types of model-free soft faults can also be further identified and diagnosed in unknown fault space.     

面向工业平稳/非平稳复杂系统的在线故障监测技术

针对复杂系统中关键性能指标（KPI）相关故障检测方法检测精度低的问题,提出基于双层改进潜结构投影（DL-IPLS）的KPI相关故障检测方法. 利用协整分析和主元分析建立底层模型,对非平稳和平稳变量进行特征提取. 将提取的信息进行融合,建立改进潜结构投影的上层模型,根据融合信息对KPI的贡献进行空间分解. 在2个正交子空间中设计统计量,实现KPI相关故障的在线监测. 田纳西-伊斯曼过程和青霉素发酵过程的仿真结果表明,在面向工业平稳和非平稳复杂工业系统检测时,所提方法有效提高了KPI相关故障的检测率,降低了KPI无关故障的误报率.     

模拟集成电路故障诊断与参数辨识的代数方法

为实现模拟电路参数辨识和降低故障诊断成本,提出一种基于矩阵扰动理论的模拟电路故障诊断和参数辨识方法。该方法不同于基于数字信号处理（DSP）与人工智能的方法,而是从代数观点出发,以被测电路响应矩阵的本征值随被诊断器件参数的变化而变化的对应关系为基础,建立故障模型。该模型将故障检测,故障定位和参数辨识一体化处理,具有易于工程实施的优点。实验结果表明该方法的计算时间开销小,可降低测试成本,故障定位和故障参数辨识精度高,实验结果中的最大辨识误差为2.35%。     

一种基于主动探测的高效故障检测与定位方法(2011通信软件会议)

针对目前基于主动探测技术故障检测与定位方法消耗探测过多、计算时间长以及定位准确度较低等问题,提出了高效的故障检测探测选择(PSFD)算法和故障定位探测选择(IFL)算法．PSFD算法在已有的贪婪增加算法上做了改进,提高了探测效率,缩短了探测时间．IFL算法将现有的2种故障定位探测选择算法相结合,在一定程度上降低了计算时间,提高了定位准确度．仿真实验验证了提出的PSFD和IFL算法的有效性,并对实验结果进行了分析．