基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

基于稀疏动态主元分析的故障检测方法

本文将动态主元分析(Dynamic Principal Component Analysis, DPCA)和稀疏主元分析(Sparse Principal Component Analysis, SPCA)两种方法结合起来,提出一种新的稀疏动态主元分析方法,并将其用于工业过程的故障检测。所提出的稀疏动态主元分析方法通过对过程数据的动态增广矩阵进行稀疏主元的求解,获取稀疏的负荷向量,该方法既考虑到了过程数据的动态特性,又降低了过程数据的冗余度,同时降低了计算负荷,非常适合工业过程的实时故障检测。此外,本文还提出了一种前向选择算法,用于确定稀疏主元中的非零负荷数目。最后,将所提出方法应用于数值例子和田纳西-伊斯曼过程,并将与主元分析、动态主元分析和稀疏主元分析等三种方法相比较,表明所提方法可以获得更好的故障检测效果。     

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.     

基于动态主元分析的空分过程异常工况在线诊断

空分过程异常工况的在线诊断对于保证空分产品质量、降低"氮塞"等故障的发生率和减小故障损失有着重要的实用价值。主元分析(PCA)是1种数据驱动的统计建模方法,已广泛应用于复杂工业过程的运行状态监控和故障诊断,然而,传统的PCA方法不能够反应数据的动态特性。动态主元分析(DPCA)作为1种将传统PCA推广到多变量动态过程的方法,其时滞长度的确定是DPCA的关键点。本文应用动态主元分析(DPCA)方法建立了空分过程异常工况的在线诊断系统,并结合空分过程的故障诊断特性,对DPCA中时滞长度提出了可行的确定方法。实际运行效果表明该系统对故障的报警率为100%,误报率约4%,证明了文中所建立的诊断系统的有效性及文中所提出的对于复杂连续生产系统确定DPCA时滞长度的方法的有效性及可行性。     

一种基于信噪比确定主元个数的方法

多段主元分析(MPCA)是针对间歇进行故障诊断一种行之有效的方法.在MPCA中主元个数的确定是模型的关键,关系到主元模型的可靠性、准确性、完备性.传统的累积方差贡献率(CPV)方法确定主元个数主观性较大并且没有考虑故障因素.为了提高检测性能,有效的提取主元,文中提出一种信噪比(SNR)与MPCA相结合选取间歇过程主元个数的方法,SNR表明的是故障诊断的灵敏度和主元个数的影响关系,在确保主元信息充分描述数据的基础上,该方法考虑了故障的信息对主元个数的影响来选取主元.将此方法应用于青霉素间歇发酵过程故障诊断中,仿真结果表明T2统计量和SPE统计量的响应曲线对故障更加敏感,有效地提高了故障诊断的准确率.     

基于局部近邻标准化和动态主元分析的故障检测策略

针对工业过程的动态和多模态特性,提出一种基于局部近邻标准化（LNS）和动态主元分析（DPCA）相结合的故障检测方法（LNS-DPCA）。首先,在训练数据集中寻找样本的K近邻集;然后,应用K近邻集的均值与标准差对当前样本进行标准化处理;最后,在新的数据集中应用DPCA方法确定T²和SPE控制限进行故障检测。LNS方法能够消除过程的多模态特征,使得标准化后数据近似服从多元高斯分布,且保持过程离群点偏离正常样本轨迹;而结合DPCA方法则能够提高对具有动态特性过程的监视性能。利用数值例子和青霉素发酵过程进行仿真,并将测试结果与主元分析法（PCA）、DPCA、K近邻故障检测（FD-KNN）等方法进行对比分析,验证了LNS-DPCA方法的有效性。     

基于DPCA方法的传感器故障检测与诊断

针对多传感器的相关时序测量数据,在假设只存在传感器故障的前提下,提出了一种基于动态主成分分析（DPCA）的传感器故障检测方法。根据测量数据建立传感器的DPCA模型,在该模型基础上利用T2和SPE统计量进行传感器的故障检测。同时,将基于主成分分析（PCA）模型的传感器有效度指标SVI推广应用于DPCA模型中。通过对污水处理系统中重要传感器的故障诊断仿真实验表明：该方法能有效地检测和识别出故障传感器。     

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。     

基于\begin{document}$ \pmb k $\end{document}近邻主元得分差分的故障检测策略

针对具有非线性和多模态特征过程的故障检测问题, 本文提出一种基于k近邻主元得分差分的故障检测策略.首先, 通过主元分析(Principal component analysis, PCA)方法计算样本的真实得分.然后, 应用样本的k近邻均值计算样本估计得分.接下来, 通过上述两种得分计算样本的得分差分矩阵和残差矩阵, 其中残差矩阵由样本的估计得分计算得到,这区别于传统方法.最后, 在差分子空间和残差子空间中分别建立新的统计指标进行故障检测.值得注意的是本文的得分差分方法能够消除数据结构对过程故障检测的影响, 同时, 新的统计量能够提高过程的故障检测率.将本文方法在两个模拟例子和Tennessee Eastman (TE)过程中进行测试, 并与传统方法如PCA、KPCA、DPCA和~FD-kNN等进行对比分析, 测试结果证明了本文方法的有效性.     

回转窑烧成系统故障诊断方法研究

针对水泥烧成系统过程变量繁多、变量间静态关系耦合强等特点,采用因子分析方法建立静态过程监控模型.针对系统时序相关问题,结合经典动态主元分析DPCA方法和典型变量分析CVA方法,提出典型变量动态主元分析CVDPCA过程监控方法,有效解决了DPCA方法扩展后的数据矩阵维度大等不足之处.将算法用于水泥烧成系统故障检测,结果表...     

Fault detection and diagnosis in process data using one-class support vector machines

In this paper, a new approach for fault detection and diagnosis based on One-Class Support Vector Machines (1-class SVM) has been proposed. The approach is based on a non-linear distance metric measured in a feature space. Just as in principal components analysis (PCA) and dynamic principal components analysis (DPCA), appropriate distance metrics and thresholds have been developed for fault detection. Fault diagnosis is then carried out using the SVM-recursive feature elimination (SVM-RFE) feature selection method. The efficacy of this method is demonstrated by applying it on the benchmark Tennessee Eastman problem and on an industrial real-time Semiconductor etch process dataset. The algorithm has been compared with conventional techniques such as PCA and DPCA in terms of performance measures such as false alarm rates, detection latency and fault detection rates. It is shown that the proposed algorithm outperformed PCA and DPCA both in terms of detection and diagnosis of faults.     

动态内全潜结构投影的空间扩展故障检测方法

动态内偏最小二乘(DiPLS)方法是基于数据驱动的潜结构投影的动态扩展算法, 用于动态特征提取和关键 性能指标预测. 在大型装备系统中, 传感器采集的当前时刻样本受历史样本的影响且可能包含较大噪声. 在动态特 征提取中, 因DiPLS算法未按降序提取主成分, 导致残差空间仍存在较大变异, 动态和静态信息难以有效分离, 影响 故障检测性能. 为此, 本文提出了一种基于动态内全潜结构投影的故障检测方法(DiTPLS). 首先, 使用动态内偏最小 二乘方法和向量自回归模型建立动态模型并检测故障, 用于捕捉质量相关动态信息; 基于结构化动态主成分分析 算法建立一种改进的动态潜在变量模型, 用于残差分解, 提取质量无关的动态信息和静态信息, 并构造合适的统计 量进行故障检测. 数值仿真和田纳西–伊斯曼过程实验验证了DiTPLS算法的有效性.     

基于多尺度核主元分析的非线性过程监控方法研究

针对化工过程数据的多尺度性和非线性特性,提出了一种多尺度核主元分析方法(MSKPCA)监控过程的运行状态。使用小波变换在不同尺度下分解测量信号．然后借助于核函数对分解后的数据进行非线性变换,在变换后的线性空间中用主元分析(PCA)提取过程数据的主要特征,构造监控统计量T2和Q来检测故障。在此基础上,提出了一种贡献图方法．计算过程变量对故障的贡献量,用于故障变量的分离。在TE过程上的监控结果表明,MSKPCA可以比PCA和动态PCA更迅速地检测到过程故障,贡献图方法能够正确地分离故障变量。     

基于动态特性描述的变量加权型分散式故障检测方法

现代工业生产过程往往具有复杂的动态特性: 不同测量变量间会存在不同的时序相关性, 且变量间的相互影响会反映在不同的采样时刻上. 现有的动态过程监测模型往往不能充分挖掘变量间的动态特性, 其故障检测效果也有待进一步提高. 在此背景下, 本文提出一种基于动态特性描述的变量加权型分散式故障检测方法. 利用最大相关最小冗余(Minimal redundancy maximal relevance, mRMR) 算法更准确地描述动态过程变量间的相关性关系, 并利用该相关性的值对原始增广矩阵进行加权处理, 且不同延迟变量对当前测量值的影响大小就通过权值来体现, 因此能更加全面地刻画该测量值的动态特性. 最后建立一种融合mRMR算法, 贝叶斯推理以及动态主成分分析(Dynamic principal componemt amalysis, DPCA)模型的新的分布式建模策略, 提高了模型的容错能力和泛化能力, 取得了更好的故障检测结果.     

An efficient algorithm for Kernel two-dimensional principal component analysis

Recently, a new approach called two-dimensional principal component analysis (2DPCA) has been proposed for face representation and recognition. The essence of 2DPCA is that it computes the eigenvectors of the so-called image covariance matrix without matrix-to-vector conversion. Kernel principal component analysis (KPCA) is a non-linear generation of the popular principal component analysis via the Kernel trick. Similarly, the Kernelization of 2DPCA can be benefit to develop the non-linear structures in the input data. However, the standard K2DPCA always suffers from the computational problem for using the image matrix directly. In this paper, we propose an efficient algorithm to speed up the training procedure of K2DPCA. The results of experiments on face recognition show that the proposed algorithm can achieve much more computational efficiency and remarkably save the memory-consuming compared to the standard K2DPCA.     

改进动态主元分析的工业过程故障预警研究

传统动态主元分析(DPCA)进行工业过程故障预警时,对所有变量选择相同时间间隔。为克服DPCA中没有考虑到变量延迟、动态变化速度不同的问题,采用变量延迟对齐、时间间隔可变等方法,对DPCA中扩展矩阵的组成方法进行改进。数值仿真结果表明,改进DPCA可以有效减少故障漏报。将该方法应用于原油初馏过程故障预警,在准确预警故障的基础上减少了漏报。     

基于最优主元数的故障检测性能的改进

研究了一种基于主元分析故障检测确定主元数的新方法. 提出了信噪比并基于信噪比确定最优主元数. 通过最大化信噪比最优主元数被选择, 使故障检测性能得到改进. 这种方法被应用到TE过程中并与累积方差贡献率方法进行比较, 结果显示了此方法的优越性.