基于四阶累积分析的工业大肠杆菌制备过程故障诊断

工业大肠杆菌制备过程具有非线性和非高斯性共存的特征,导致难以对故障源进行有效定位,针对这个问题,提出一种基于多向核熵独立元分析(MKEICA)的过程监测方法;同时针对传统低阶监控统计量(T2, I2和SPE)无法得到非高斯信息的不足提出了四阶累积监控统计量的方法;其次通过对四阶累积监控量进行推导,得到故障产生的原因.最后将其应用在实际的工业过程并与多向核独立元分析(MKICA)监测模型进行对比验证该方法的可行性及有效性.     

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。     

基于混合动态主元分析的故障检测方法

针对基于动态主元分析的故障检测方法存在的主元个数较多以及计算效率低等问题,本文提出基于混合动态主元分析(Hybrid Dynamic Principal Component Analysis,HDP-CA)的复杂过程故障检测方法。该方法采用分步策略消除数据之间的自相关和互相关性,提高了故障检测的精度和效率。对TE过程典型故障和热连轧过程中断带故障检测结果表明:HDPCA方法提取的主元个数少于DPCA方法提取的主元个数。并且,基于HDPCA的T2和SPE统计量的检测性能和检测精度都由于基于DPCA的统计量。因此,本文提出的方法可以准确有效地检测出故障。     

基于自组织神经网络与核密度估计的非线性MPCA在线故障监测

针对多向主元分析(MPCA)不能提取复杂的非线性系统变量间的非线性特性以及T2统计量置信限的确定是以主元得分呈正态分布为假设前提的情况,提出了一种基于自组织神经网络与核密度估计的非线性MPCA在线故障监测方法.该方法用自组织神经网络去提取变量间的非线性特征信息;用核概率密度函数去估计非线性主元的置信限.将该方法应用到β-甘露聚糖酶补料分批发酵过程的在线故障监测中,应用效果表明用非线性主元比用同样数目的线性主元能够获取更多的变量信息,并且用核密度估计置信限的方法比用参数估计的方法能更准确地对故障进行监测.     

基于KPCA的监控系统传感器异常诊断方法

针对监控系统数据异常时,故障检测准确性不高的问题,提出一种基于监控系统传感器异常的核主元分析(KPCA)检测方法.利用平方预报误差(SPE)统计量和均方贡献值法进行故障检测和故障源的定位,改善了主元分析(PCA)应用于非线性系统故障检测准确性低的问题.分别利用基于KPCA和PCA的故障检测模型进行仿真比较.实验结果表明:KPCA提高了非线性监控系统传感器异常诊断的准确性.     

基于小波和PCA的火炮输弹系统故障诊断研究

为了分析火炮自动供弹系统运行状态并实现系统故障的快速诊断,研究开发了基于小波分析法和主元分析法的故障诊断系统。提出了利用小波分析供弹系统中变化剧烈的非平稳监控信号,这种方法对监控信号进行小波分解、非线性阈值化降噪处理完成了信号的重构。采用主元分析法(PCA)从监控变量中提取出主元,按照置信界限85%选取主元个数。在此基础上通过计算SPE和T2统计量,并分析统计量与控制限的状态判断系统是否正常工作。分析过程变量对SPE的贡献图识别故障源,并通过实验验证了该方法的有效性。     

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.     

基于自组织神经网络与核密度估计的非线性MPCA批过程监控（英文）

针对多向主元分析(MPCA)不能提取复杂的非线性系统变量间的非线性特性以及T2统计量置信限的确定是以主元得分呈正态分布为假设前提的情况,提出了一种基于自组织神经网络与核密度估计的非线性MPCA在线故障监测方法。该方法用自组织神经网络去提取变量间的非线性特征信息;用核概率密度函数去估计非线性主元的置信限。将该方法应用到链霉菌补料分批发酵过程的在线故障监测中,应用效果表明用非线性主元比用同样数目的线性主元能够获取更多的变量信息,并且用核密度估计置信限的方法比用参数估计的方法能更准确地对故障进行监测。     

一种新的非线性多向主元分析在线故障监测方法

针对多向主元分析(MPCA)不能提取复杂的非线性系统变量间的非线性特性以及T~2统计量置信限的确定是以主元得分呈正态分布为假设前提的情况,提出了一种基于自组织神经网络与核密度估计的非线性MPCA在线故障监测方法。该方法用自组织神经网络去提取变量间的非线性特征信息；用核概率密度函数去估计非线性主元的置信限。将该方法应用到β-甘露聚糖酶补料分批发酵过程的在线故障监测中,应用效果表明用非线性主元比用同样数目的线性主元能够获取更多的变量信息,并且用核密度估计置信限的方法比用参数估计的方法能更准确地对故障进行监测。