基于趋势相似性特征的异常工况监测方法研究

当前火力发电生产过程中,多元变量检测方法难以实现多元非平稳过程变量异常工况监测。对此,首先计算多元变量之间在固定时间窗口宽度内数据之间的趋势相似性,采用所得到的趋势相似性作为监控特征。其次,采用主元分析方法对所得到相似性特征序列进行降维,对降维后所得到的主元空间趋势相似性特征序列进行监控。最后,以T2统计量作为监测指标,依据T2统计量与其控制阈值T2α的大小关系产生告警信号,从而达到有效监控多元非平稳过程变量的目的。通过在华北电网某300 MW火电机组的应用,验证了所提出方法的有效性与可靠性。该方法较好地解决了多元非平稳过程的检测问题,对于相关研究与应用具有借鉴意义。     

基于ACF非线性趋势特征的时间序列聚类

在时间序列挖掘工作中,比如聚类和分类,需要计算距离来衡量时间序列样本之间的相似性,有许多研究都致力于时间序列相似性度量的研究.充分利用非线性趋势特征来进行时间序列挖掘.首先计算时间序列的ACF,进而构造ACF的非线性趋势特征,利用该特征作为时间序列相似性度量来进行聚类,它给时间序列平稳性的判定提供了一种新的途径.列举了一个模拟数据和一个实际数据来进行实例验证,实验结果表明,ACF非线性趋势特征作为一种新的相似性度量,相对已有的一些相似性度量而言,ACF非线性趋势特征通常只需计算少量的若干特征值就能更合理地刻画时间序列的平稳性特征.借助K-means进行聚类实验.     

云计算系统中基于伴随状态追踪的故障检测机制

在运行时检测分布式系统内所产生的故障需要事先获得故障特征模型.构造故障特征模型的常见做法为将故障注入系统并根据随后系统内所产生的特征症状(如异常事件日志)建模.已有建模方法通常使用从故障发生到给定时间窗口之内的特征症状.然而,根据真实系统观察,不同故障的传播影响时间相差很大,且故障特征会在故障传播过程中发生改变.因此,已有方法对检测时间窗口之后发的故障特征症状不能识别或会产生大量错误报警.为了解决此问题,文中提出一种基于故障注入测试的故障特征提取方法,该方法主要由3步组成:(1)过滤噪声日志;(2)构造1个故障识别器识别不同故障的早期特征;(3)为每类故障构造限状态追踪器追踪该故障的后期传播状态,从而在故障被识别出来后持续跟踪故障传播状态.通过在企业级云计算系统中进行实验验证,与已有方法相比该文方法具备更高的故障检测精确度.     

基于趋势的时间序列相似性度量和聚类研究

由于时间序列的长度很大,并且不确定时间序列在每个采样点的取值具有不确定性,导致时间序列在相似性匹配和聚类挖掘中时间复杂度很高,为了解决该问题,提出了基于趋势的时间序列相似性度量方法和聚类方法.其中基于趋势的相似性度量方法根据时间序列的整体变化趋势,将时间序列映射为短的趋势符号序列,并利用各趋势的一阶连接性指数和塔尼莫特系数完成相似性度量;基于趋势的聚类方法通过定义趋势高度,并对趋势符号序列迭代进行区间划分和趋势判断,并以此构建趋势树,最后将趋势树根节点中趋势符号相同的序列聚集为一类.实验结果表明:a)五种趋势符号的一阶连接性指数可唯一地表示一条时间序列;b)基于趋势的相似性度量方法在多项式时间内可有效完成时间序列的相似性匹配;c)基于趋势的聚类方法将序列的相似性度量和聚类过程集中在一起,聚类效果显著.     

时间序列相似性分析中滑动窗口宽度的确定

时间序列相似性查找作为一种非平凡问题,大多数有效的求解方法都涉及到对原数据维度的简约。在有效地保持原序列中信息量的前提下,尽可能降低计算复杂度是算法的关键所在。通过讨论滑动窗口在时间序列相似性降维算法中的实际应用情况,从中发现一种自适应确定滑动窗口宽度的新方法。通过对时序特征值分布函数挖掘,发现时间序列中的有效特征点,进而确定一组合适的滑动窗口宽度;最后根据序列的变化情况来决定最优的滑动窗口宽度,对原数据维度进行简约。     

BDPCA在线过程监测方法

针对基于多向主元分析(Muhiway Principal Component Analysis,MPCA)的方法在批过程故障监测中以样本观测相互独立作为假设前提条件,没有考虑到时间序列相关性的影响及需要对新批次未反应完的数据进行预估的缺陷,提出一种枇过程动态主元分析(Batch Dy-namic PCA,BDPCA)在线监测方法.该方法采用时滞变量将过程的静态和动态特征相结合,有效地去除了测量变量时间序列的自相关关系,并通过时滞窗口提供了在线监测方案,避免了对新批次未反应完的数据进行预估的需要,提出确定时滞变量的算法.将BDPCA应用于β-甘露聚糖酶发酵批过程的仿真监测,与移动窗多向主元分析(Moving Window MPCA.MWMPCA)法相比,仿真结果表明该方法能够更精确地对过程故障行为进行描述,具有良好的准确性和实时性.     

在时间序列相似性问题中滑动窗口的确定

作为一个非平凡命题,大多数时间序列相似性查找方法都涉及到了对原数据的维度简约.在保持原序列中有效信息量的同时,尽量降低计算复杂度是这些算法的关键.讨论滑动窗口在时间序列相似性降维技术中的实际应用,从中发现确定自适应滑动窗口大小的一种新方法.通过对时序特征值分布函数的挖掘,发现时间序列中的若干有效点,从而确定一组合适的滑动窗口大小,并根据序列变化的来决定最佳的滑动窗口.     

基于动态奇偶空间法的传感器故障诊断

针对线性动态系统传感器组中多次续发故障的诊断问题,提出一种时间窗口动态调整的奇偶空间方法.基于系统中传感器组测量输出的时间序列之间的内在一致性,定义了时间窗口的最小宽度和传感器冗余度指标,并给出了构造优化奇偶矩阵的方法.根据当前时间窗口宽度值,动态设定残差的连续超限次数和故障检测的阈值,实现对系统的传感器故障进行检测、定位和隔离.最后以F-16战斗机俯仰通道动力学模型为例进行数值仿真,试验结果证明了该方法对传感器组多次故障的诊断和隔离有较好的效果.     

基于时间序列数据挖掘的故障检测方法

为了有效地检测发动机试车实验中性能参数发生的异常,提出一种基于时间序列数据挖掘的发动机故障检测方法。通过基于形态特征的时间序列特征表示方法,将发动机参数时 间序列转化为符号序列,再根据符号语义对发动机参数序列实现稳态特征和过渡态特征识别。同时,根据稳态序列的数据特征,利用基于统计特征的时间序列相似性度量结合最不相似模式发现方法实现发动机的故障检测。数值实验结果表明,与传统方法相比,本文方法能够有效地对发动机性能参数进行故障检测,并且具有较强的鲁棒性。     

水下航行器推进用电机的健康监测技术研究

提出了一种基于模型的水下航行器推进用直流电机的健康监测方法,通过对电机的关键模型参数进行监测,达到监测电机健康状态的目的.以电机的3种典型故障模式为例,建立电机的辨识模型,采用最小二乘算法对模型参数进行辨识,得到反映系统健康状态的特征参量,并采用趋势预测算法对3种典型故障进行仿真评估.仿真结果表明,所提出的方法能较好地...     

基于多变量频域分解的动态时频过程监控方法研究

提出一种基于多变量频域分解的新型动态时频监控方法.结合已有的频域独立成分分析方法以及带约束的非负分解处理,引入时间滑动窗口,在短时窗内动态提取多重主导功率频谱.提出了多种趋势图,以及反映过程变量对主导频谱贡献程度的显著度指标图.该方法能有效地监控过程系统中主导成分的频率、能量的变化趋势以及过程变量的贡献度,适合于非稳态过程监控以及故障检测与定位.仿真实验表明了该方法是可行的.     

基于连续密度隐马尔可夫的时间序列分类算法

针对数据挖掘过程中对异常数据检测的准确率较低、分类速度较慢,导致数据分类准确率较低、效率较差的问题,提出基于连续密度隐马尔可夫的时间序列分类算法。构建时间序列变化趋势分割点目标函数,利用贪婪搜索法求解时间序列分段值,提取序列变化趋势特征得到数据主要信息,提升数据分类的准确性;改进帧内特征表达准确性,使用因子分析矩阵高斯分布建立连续密度隐马尔可夫模型,提高时间序列分类速度;采用平稳子空间分析法把数据划分为平稳子空间和非平稳子空间,运用相对熵权衡平稳子空间分布相似度,实现时间序列精准分类。仿真结果表明,所提方法分类正确率较高、计算速度快且鲁棒性好,可以满足真实场景下数据分析需求。     

基于分块核主成分分析和支持向量机的故障检测

针对工业系统监测数据为非线性,且难以辨识复杂工作过程中故障位置的问题,提出一种基于分块核主成分分析(BKPCA)和最小二乘支持向量机(LS-SVM)的集成故障检测方法.首先对系统监测变量进行分块,使用KPCA对每个分块在特征空间中建立T2和平方预测误差(SPE)统计量来实时监测系统健康状态,并使用LS-SVM对上述过程检测出来的故障数据进行再次判断.随后计算出现故障后计算每一分块的故障贡献率,进而确定发生故障的分块.由于采用了并行分块算法,可以较简单的确定故障发生位置,提高计算效率,同时LS-SVM方法的应用也可以提升故障检测的精度.使用田纳西-伊斯曼化工(TE)过程数据对本文所提方法进行仿真验证,试验结果表明所提方法取得了较好效果.     

基于差分的动态加权SVDD在多模态过程故障检测中的应用

传统SVDD作为一种单模态静态故障检测算法,对多模态动态过程故障的检测难以保证其检测的准确性和实时性。为了解决这一问题,提出一种基于近邻差分加权动态SVDD检测方法（NND-DWSVDD）。首先利用NND剔除数据多模态结构,保证过程数据服从单峰分布;对差分处理后的数据引入动态方法并加入权值将有用的信息凸显出来;最后利用SVDD方法建立监测模型实现在线监测。NND-DWSVDD提高了多模态动态过程故障检测率,对于多模态动态过程故障检测,NND-DWSVDD不要求多模型建模,只需单独的一个模型,符合单模态故障检测要求。通过多模态数值例子和半导体生产过程数据对该方法的有效性进行了验证。     

基于Hilbert-Huang变换的特征能量法及其在滚动轴承故障诊断中的应用

Hilbert-Huang变换是一种新的自适应信号处理方法,非常适用于非线性和非平稳过程。该文在介绍Hilbert-Huang变换的基础上,针对滚动轴承故障振动信号的非平稳特征,提出了一种基于Hilbert-Huang变换的特征能量法。该方法在Hilbert-Huang变换的基础上定义滚动轴承振动信号在固有频率段的能量为特征能量,以此作为滚动轴承的故障特征向量,并通过建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承外圈和内圈故障信号的分析结果表明,基于Hilbert-Huang变换的特征能量法可以有效地提取滚动轴承振动信号的故障特征。     

基于并发改进偏最小二乘的质量相关和过程相关的故障诊断

并发潜结构投影(CPLS)与传统贡献图法是多元统计过程监控中常用的故障检测与诊断方法.过程监控通常要求监测的时效性与诊断的准确性,然而,由于CPLS计算复杂以及传统贡献图诊断结果易受初始贡献较大的变量影响,因此它们反馈的监控结果可能并不准确.针对上述问题分别提出一种并发改进偏最小二乘(CMPLS)方法和新的相对贡献图法(NRC).首先,CMPLS将输入和输出数据同时投影到与过程相关或质量相关的多个子空间,在相应子空间分别构造适用于各种故障报警的监测指标进行过程监测;然后,结合所提出的NRC进行故障识别.所提方法对过程故障实现全面监测的同时避免了过多的迭代过程,并消除了过程变量中对检测指标初始贡献较大变量的影响.最后利用数值仿真和田纳西伊士曼过程验证了所提方法的有效性.     

基于k近邻的批次过程在线实时监测方法

针对基于k近邻的故障检测方法(Fault Detection method using the k-Nearest Neighbor rule,FD-kNN)的在线实时监测需预估当前时刻之后的采样数据,检测性能会受到预估精度影响的问题,对FD-kNN进行扩展以适用于批次过程的实时监测.该方法根据每个采样时刻的历史数据进行建模,并根据这些模型实时监测批次过程.该方法不需要预估数据,避免由于预估误差大而带来的误报和漏报问题,同时较好地继承k近邻法则(k-Nearest Neighbor rule,kNN)在处理非线性、多模态和非高斯等问题上具有的优势.青霉素发酵过程的仿真试验验证该方法可行.     

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。     

局部Fisher判别分析算法及仿真研究*

复杂化工过程常被多种类型的故障损坏,正常的训练数据无法建立准确的操作模型。为了提高复杂化工过程中故障的检测和分类能力,传统无监督Fisher判别分析(Fisher Discriminant Analysis,FDA)算法无法在多模态故障数据中的应用,本文提出基于局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)的故障诊断方法。首先计算训练数据的局部类内和类间离散度矩阵,寻找LFDA的投影方向;其次把训练数据和测试数据向投影向量上投影,提取特征向量;最后计算特征向量间的欧氏距离,运用KNN分类器进行分类。把提出的LFDA方法应用到Tennessee Eastman(TE)过程,监控结果表明,LFDA的效果好于FDA和核Fisher判别分析(Kernel Fisher Discriminant Analysis,KFDA),说明LFDA方法在分类及检测不同类的故障方面具有高准确性及高灵敏度的优势。