基于主元特征提取的汽轮机性能监测和故障诊断

提出了一种基于主元特征提取的汽轮机性能监测和故障诊断新方法,该方法充分利用了发电机的过程数据信息,通过计算监控统计量Hotelling’s T2和SPE来监测汽轮机的运行。若T2或SPE统计量超过置信上限,则判定系统存在故障或异常,可以通过相似度分析的方法来确定故障发生的原因,汽轮机历史故障数据集仿真试验验证了该方法的有效性。     

基于独立分量分析的过程监控方法研究

为了解决多变量系统的各个变量之间往往相互影响,且一般不能严格服从高斯分布的问题,采用ICA方法时正常状态下观测的数据进行分析处理,从中提取出统计独立的独立分量,为简化后续分析,对得到的独立分量进行筛选、划分,并分别计算两类统计量:I2统计量和SPE统计量,确定其控制限,与在线数据进行对比,用于监控系统运行.通过一多变量过程仿真实例,证明了这种方法的可靠性,这为ICA应用于监控多变量系统的运行、检测故障的发生提供了有益的思路.     

独立因子分析方法在过程监控中的应用

针对工业生产过程非高斯分布的特点,并为解决因子分析(FA)监控方法假设生产过程高斯分布以及独立元分析(ICA)监控方法假设模型为无噪模型等问题,本文结合FA、ICA等多元统计方法的优点,提出1种基于独立因子分析(IFA)的过程监控新方法.此临控方法运用EM算法求解参数,建立数据的非高斯分布模型,构造GI2、GSPE 2种监控指标,通过非参数全局估计算法计算控制限,并将生产过程采集数据实时输入监控系统,以判断有无故障发生.将此方法应用于化工吸附分离过程,通过监控图可以发现,IFA可以及时对故障发生予以报警,而ICA的I2监控指标甚至无法给出故障报警,同时IFA的漏检率、误报率分别较FA降低了40%～60%,以上试验结果均验证了本方法的有效性及优越性.     

独立分量分析结合数据划分的故障检测方法

针对多变量系统的各个变量之间往往相互影响,且一般不能严格服从高斯分布的特点,通过运用独立分量分析的方法对正常状态下观测的数据进行处理,从中提取出统计独立的独立分量,为简化后续分析,对得到的独立分量按照向量范数的概念划分为两部分:主部和余部,并分别计算两类统计量:I2统计量和SPE统计量,反映系统变化和偏差,确定其置信界,与在线数据进行对比,用于检测运行系统中发生的故障.最后给出的多变量过程仿真实例,快速准确地检测到了运行中发生的异常,证明了这种方法的可靠性.为广泛应用于监控多变量系统的运行,检测故障的发生提供了一个有效的工具.     

发电机组空气间隙在线监测系统解决方案

通过对水利灯泡贯流式机组长期运行存在的故障隐患分析,阐述飞来峡机组空气间隙在线监测系统建立的必要性,介绍目前机组空气间隙在线监测系统的构成、设备选型、系统与监控系统接口等情况,最后通过TN8000软件对机组气隙等状态进行在线监测,对任一时间段的实时采样数据进行积累统计产生图形和分析报告,便于对机组的健康状态进行分析和评估。     

基于PCA和KPCA的带式输送机故障诊断

由于在生产过程中监测变量的高度相关性,一个故障或扰动的发生会导致许多变量采样值的异常,因此仅仅检测各个过程变量不足以应用于过程监测、故障诊断。本文通过获得正常操作状态下的数据,采用主元分析对生产过程进行监测,并确定过程运行的统计控制限。当统计量的值超过它们的控制限时,就预示着有故障发生。     

基于PCA的重油分馏塔故障监测与诊断分析

对系统过程数据进行主元分析,建立主元模型,可以在保留原有数据信息特征的基础上消除变量关联和部分系统噪声干扰,从而简化系统分析的复杂度。建立正确的主元模型,结合多变量统计过程控制图(Q统计图,HotellingT2图,主元得分图,贡献图),是对过程对象的进行检测和诊断的一项发展中的技术。通过对一个典型的重油分馏塔运行过程的故障监测与诊断分析,进一步说明了主元模型在确定故障特征方向和多变量统计控制图在监测和诊断故障源上的作用和有效性。同时采用了平均贡献图来直观明确地判别引起系统故障的主要原因。     

基于PCA的重油分馏塔故障监测与诊断分析

对系统过程数据进行主元分析,建立主元模型,可以在保留原有数据信息特征的基础上消除变量关联和部分系统噪声干扰,从而简化系统分析的复杂度.建立正确的主元模型,结合多变量统计过程控制图(Q统计图,Hotelling T2图,主元得分图,贡献图),是对过程对象的进行检测和诊断的一项发展中的技术.通过对一个典型的重油分馏塔运行过程的故障监测与诊断分析,进一步说明了主元模型在确定故障特征方向和多变量统计控制图在监测和诊断故障源上的作用和有效性.同时采用了平均贡献图来直观明确地判别引起系统故障的主要原因.     

基于GMM的多工况过程监测方法

传统基于主元分析的故障检测方法大多假设工业过程只运行在1个稳定工况,数据服从单一的高斯分布。若这些方法直接用于多工况过程则将会产生大量的误检。为此,本文提出了1种基于高斯混合模型的多工况过程监测方法。首先利用PCA变换对过程数据集进行降维,在主元空间建立高斯混合模型对过程数据进行聚类,自动获取工况数和相关分布特性。然后对每个工况建立主元分析(principal component analysis,PCA)模型来描述整个运行过程数据分布的统计特性。最后在过程监测中,根据监测样本属于各个工况的概率构造综合统计量,实现对多工况过程的故障检测。TE过程的仿真结果表明,本文提出的方法与传统的PCA方法相比,能自动获取工况和精确估计各个工况的统计特性,从而能更准确及时地检测出多工况过程的各种故障。     

基于高阶累计统计量的微生物发酵过程监测

传统多向核独立成分分析(MKICA)方法的实质是把基于独立成分分析(ICA)中的白化处理主元分析(PCA)替换为核主元分析(KPCA)后利用二阶统计量进行过程监控,并未利用过程数据的阶段特性和高阶累积量信息,为了解决此问题,提出高阶累积量分析(HCA)与多向核熵独立成份分析(MKECA)相结合的多向高阶累计量的核熵独立成分分析方法(HCA-MKEICA).首先,采用核熵独立成份分析(KECA)对原始数据进行数据转换,解决数据的非线性;然后,在高维核熵空间利用HCA技术构建新的统计量用于过程监控;最后,将该方法应用于青霉素仿真平台和实际的工业过程并与MKICA方法进行对比,以验证所提出方法的有效性.     

A distribution-free method for process monitoring

Traditional multivariate statistical process control methods such as principal component analysis are limited to Gaussian process data when they used for process monitoring. However, the deficiency is not due to the method itself, but lies in the monitoring statistic construction and its confidence limit determination. This paper proposed a distribution-free method, which employs the one-class SVM to construct new monitoring statistics. Thus two new statistics are developed separately in two subspaces of the PCA model: the principal component subspace and the residual subspace. When some fault has been detected, a novel fault reconstruction scheme is proposed. For fault identification, two new identification indices are constructed. The performance of the proposed method in fault detection, reconstruction and identification is evaluated through a case study of the Tennessee Eastman (TE) benchmark process.     

基于递归稀疏主成分分析的工业过程在线故障监测和诊断

提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis,RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问题,采用秩-1矩阵修正对协方差矩阵进行递归分解,递归更新稀疏载荷矩阵和监测统计量的过程控制限,以实现连续工业过程长时间自适应故障监测,对检测出来的故障通过贡献图法实现对故障的诊断.在田纳西-伊斯曼(TE)过程进行实验验证,结果表明,与传统的故障监测方法相比,所提出的方法有效降低了故障漏检率和误报率,且时间复杂度低,确保了故障监测的灵敏度和实时性.     

Dynamic Stability of Power Systems Using UPFC: Bat‐Inspired Search and Gravitational Search Algorithms

In this paper, the bat‐inspired algorithm and the Gravitational Search Algorithm (GSA) based optimal location and capacity of UPFC are proposed to improve the dynamic stability of power systems. The novelty of the proposed method is in improved searching ability, random reduction and reduced complexity. Here, the GSA is used to optimize the location of the UPFC if a generator fault occurs. The GSA selects the maximum power loss line as the optimum location to place UPFC as per the objective function, since the generator fault violates the system equality and inequality constraints from the secure limit. From the UPFC control parameters, the minimum voltage deviation is optimized using the bat algorithm. The minimum voltage deviation has been used to find the optimum capacity of the UPFC. Then the optimum UPFC capacity is applied in the optimum location, which enhances the dynamic stability of the system. The proposed method is implemented in the MATLAB/Simulink platform and the performance is evaluated by means of comparison with the different techniques like GSA and bat‐inspired algorithm. The comparison results demonstrate the superiority of the proposed approach and confirm its potential to solve the problem.     

基于VR技术的变电站二次回路在线监测方法研究

针对传统的变电站二次回路监测方法存在实时性差、监测过程准确率低的问题,设计了一种基于VR技术的变电站二次回路在线监测方法.首先,利用VR技术模拟变电站实际情况,对环境信息进行三维采集,建立相应的虚拟环境模型,根据其中的各主要状态参量实现变电站监测信息融合;在此基础上,建立回路状态判断指标,对变电站二次回路状态进行判定,得到变电站二次回路安全等级信息.将其与警戒值进行对比,若等级信息超出警戒值,则代表回路中存在故障,需及时处理或检查,若等级信息小于该警戒值则代表回路状态安全,由此实现基于VR技术的变电站二次回路在线监测方法的设计.实验对比结果表明,该监测方法在监测实时性和准确性两个方面具有明显优势,能够及时、准确地发现变电站二次回路中的故障问题,为变电站检修和维护提供支持.     

基于神经网络传感器组改障诊断方法研究

对于系统状态检测与故障诊断,传感器自身故障的及早发现很重要.本文提出了一种基于神经网络和冗余率计算的传感器组故障监测与诊断的新方法.该方法先用RBF神经网络对传感器组中的各个输出进行预测,若预测值与输出值发生较大的偏差,可能是传感器故障或设备故障,运用传感器之间的冗余率,进一步判断传感器是否发生故障,进而采用对应的诊断策略.     

FTC approach with actuator saturation avoidance based on reference management

In this paper, a fault recovery approach using dynamic reference modification and reconfigurable linear quadratic regulator is proposed. The idea is to modify the reference according to the system constraints, which become more strict after fault occurrence to avoid any actuator saturation and ensure system stability. The effectiveness of the proposed method is evaluated by a performance index based on tracking reference error and illustrated by an aircraft example subject to actuator faults and constrained on the actuator dynamic ranges. Copyright © 2013 John Wiley & Sons, Ltd.     

Statistical MIMO controller performance monitoring. Part I: Data-driven covariance benchmark

In this paper, a data-based covariance benchmark is proposed for control performance monitoring. Within the covariance monitoring scheme, generalized eigenvalue analysis is used to extract the directions with the degraded or improved control performance against the benchmark. It is shown that the generalized eigenvalues and the covariance-based performance index are invariant to scaling of the data. A statistical inference method is further developed for the generalized eigenvalues and the corresponding confidence intervals are derived from asymptotic statistics. This procedure can be used to determine the directions or subspaces with significantly worse or better performance versus the benchmark. The covariance-based performance indices within the isolated worse and better performance subspaces are then derived to assess the performance degradation and improvement. Two simulated examples, a multiloop control and a multivariable MPC system, are provided to illustrate the utility of the proposed approach. Then an industrial wood waste burning power boiler unit is used to demonstrate the effectiveness of the method.     

基于TSEOPM的在轨航天器故障预报方法研究

针对在轨航天器非线性系统的故障预报,提出一种基于时间序列事件征兆模式挖掘的在轨航天器故障预报方法,该方法以在轨航天器遥测数据建立状态监测时间序列,根据事件特征函数利用层次聚类算法挖掘出故障事件征兆模式,然后利用故障事件征兆模式对航天器的状态监测时间序列数据进行分析,判断是否为故障征兆点,从而实现故障预报;实验结果表明,该方法能有效地预测在轨航天器状态监测时间序列数据中的故障事件。     

基于双目立体视觉的变电站空间毫米级区域故障三维场域监测方法

针对变电站三类基础故障复杂度较高、无法定位空间毫米级区域故障、故障分析不全面、检测精度低等问题，提出了基于双目立体视觉的变电站空间毫米级区域故障三维场域监测方法。该方法采用双目立体视觉建立成像模型，对该模型校订后进行变电站空间毫米级区域故障三维场域图像的采集与处理，以此消除噪声污染，提升监测效果；依据结果基于改进Hu不变矩提取故障特征向量，让其在正则化极限学习机模型中训练并得出最终结果，从而实现该监测。实验结果表明，通过对该方法开展对比测试，验证该方法的图像质量最高，对六种故障状态的检测准确率均维持在80%以上，最高接近100%。该方法提高了对故障监测的精度，具有较好应用前景。