基于多块KPCA和SDG 的故障诊断方法

针对大规模复杂工业过程,提出一种基于多块核主元分析(MBKPCA)和符号有向图(SDG)的故障诊断方法。首先,提出基于SDG和优先级的分块策略,以强连接元SCC为最高优先级、多入/出度节点群为次高优先级、节点链为最低优先级对过程进行分块;在此基础上,采用MBKPCA进行过程监控,对于检测到的故障,先确定故障发生在哪一个数据块,再触发SDG在故障块内完成故障定位。所提出方法克服了多块KPCA故障隔离不完全和SDG推理过程中组合爆炸的缺点,可以提高复杂工业过程故障诊断的准确度和速度。基于Tennessee Eastman过程的仿真研究表明了所提出故障诊断方法的有效性。     

一种改进的马氏距离相对变换主元分析方法及其故障检测应用

目前, 主元分析方法(PCA)在数据处理、模式识别、过程监测等领域得到了越来越广泛的应用, 但仍存在部分关键问题亟待解决. 本文为了提高PCA方法的故障检测性能, 进行了一系列的改进, 首先, 本文引入相对变换的概念, 使用马氏距离相对变换直接消除量纲, 通过理论推导证明了马氏距离相对变换可以对数据不进行标准化直接进行数据变换, 而且给出了在相对空间内数据进行PCA变换的合理解释, 表明了基于马氏距离相对变换的PCA故障检测方法可以有效的消除变量量纲对数据的影响, 提高数据的可分性. 其次, 改进了SPE监控指标, 提出一种基于马氏距离的平方预测误差指标, 更有效地实现对工业过程的故障检测. 最后, 将两种改进方法相结合, 提出改进的马氏距离相对变换PCA故障检测方法, 并以轧钢过程活套系统为背景, 实际数据仿真结果表明: 与PCA以及其它改进方法相比, 本文提出的方法具有更好的故障检测性能和实时性, 能准确、有效地检测出活套故障.     

基于小波变换核主元分析和多支持向量机的过程监控

针对过程工业数据中所含的噪声和干扰信号、过程工业的非线性及基于主元分析(Principal Component Analysis,PCA)的统计性能监控法由于不用过程机理模型的信息从而对故障诊断问题难以在理论上作系统分析的缺陷,提出基于小波变换核主元分析和多支持向量机的过程监控方法,该方法首先采用基于小波变换的收缩阈值去噪法对建模数据进行预处理,以有效抑制过程数据中所含的噪声和干扰信号,然后利用核主元分析来进行故障特征的提取,从而提高非线性统计过程监控的准确性;最后提出多支持向量机用来对故障的来源进行分类,以避免求解核主元空间到原始空间的逆映射.将该方法应用到对TE(Tennessee Eastman,TE)过程的监控,表明了所提出方法的有效性,为过程的监控和故障诊断提供了一个新的方法.     

基于独立元的k近邻故障检测策略

k近邻故障检测(fault detection based on k nearest neighbors,FD–k NN)方法能够提高具有非线性和多模态特征过程的故障检测率.由于系统故障通常由潜隐变量异常变化引起,而该类型故障并不能被观测数据直观表现,因此直接在观测变量上执行FD–k NN方法,其故障检测率降低.本文旨在提高FD–k NN方法针对潜隐变量故障的检测能力,提出基于独立元的k近邻故障检测方法.首先,通过对观测数据应用独立元分析(independent component analysis,ICA)方法,获得独立元矩阵;接下来在独立元矩阵中应用FD–k NN方法进行故障检测.这等同于直接监控过程潜隐变量的变化,可以提高过程故障检测率.通过非线性实例仿真实验,证明本文方法检测潜隐变量故障是有效的;同时,在半导体蚀刻工艺过程的仿真实验中,与主元分析(principal component analysis,PCA)方法、核主元分析(kernel principal component analysis,KPCA)方法、基于主元分析的k近邻故障检测(principal component–based k nearest neighbor rule for fault detection,PC–k NN)方法和FD–k NN方法进行对比,实验结果进一步验证了本文方法的有效性.     

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.     

数据驱动蒸馏塔的安全生产的研究

流程工业过程的故障检测对于企业安全生产和提高产品质量是十分重要的,基于数据驱动的方法相比较传统故障诊断方法,不需要详细了解过程机制和模型,满足了流程工业复杂难于建立精确模型的特点而引起广泛关注。主元分析法是基于数据驱动方法中典型的代表,本文首先研究了主元分析法在田纳西伊斯曼仿真过程中的应用,并以工业过程中的蒸馏塔单元为平台,将主元分析法应用到蒸馏塔故障检测中,实验结果表明:主元分析法能够准确及时的检测出蒸馏塔的故障,对蒸馏塔的故障检测有显著的指导作用,实现了基于数据驱动蒸馏塔的故障诊断,保证了企业的安全生产。     

基于Kullback-Leibler距离的闭环系统传感器微小故障诊断

在闭环控制系统中,当故障幅值较小时,由故障带来的影响会被控制量所掩盖.因此,闭环系统中的微小故障诊断实现更为复杂.本文针对闭环系统中的传感器故障,提出了基于Kullback-Leibler(KL)距离的微小故障在线检测与估计方法.本文首先介绍了KL距离的定义及其在多变量故障检测中的应用,然后提出了结合KL距离与快速移动窗口主成分分析(MWPCA)的在线微小故障检测与估计模型.在高斯分布的假设下,利用系统输入输出残差构造MWPCA的数据矩阵,然后通过在线更新数据矩阵主成分的均值与方差实现KL距离的在线更新,最终实现闭环系统中传感器的在线故障检测与估计.仿真实验表明,该方法能有效实现具有低故障—噪声比(FNR)特性的微小故障诊断.     

深海载人潜水器推进器系统故障诊断的新型主元分析算法

针对"蛟龙号"深海载人潜水器多推进器系统的故障检测与快速定位难题,将基于信度分配的模糊小脑神经网络(credit assignment-based fuzzy cerebellar model articulation controller, FCA–CMAC)应用于主元分析模型,提出一种基于主元分析(principal component analysis, PCA)的深海载人潜水器推进器系统故障诊断模型.首先,应用推进器系统正常运行的历史电流样本数据,由主元分析模型得到各推进器的电流预测值.其次,计算出故障检测统计量均方预测误差(squared prediction error, SPE),根据SPE值是否跳变,判断推进器系统有无故障发生.通过分别重构各推进器电流信号的SPE值对故障推进器进行定位和隔离.最后,通过对实际海试数据进行仿真处理说明了该算法的可行性,并通过与多层前馈神经网络(back propagation, BP)和常规小脑神经网络(cerebellar model articulation control-ler, CMAC)神经网络进行比较,说明基于FCA–CMAC神经网络的主元分析模型的优越性.     

基于多块信息提取的AUV资源勘查系统故障检测

针对"潜龙二号"AUV在实际航行过程中,资源勘查系统传感器数据具有多重变量相关性、故障类型多样、受运行状态和环境变化影响数值变化大以及噪声强等问题,提出一种新的基于多块信息提取的主元分析(PCA)故障检测方法.首先,针对变量之间的多重相关性,通过滑窗和相关系数的方法提取变量间相关性信息;然后,根据变化率在不同运行状态和环境下基本稳定的特点,对于不同类型故障,分别提取变化率信息和变化率信息的各阶统计量累积误差信息;最后,基于提取的特征信息建立3个子块,对每个子块分别建立PCA模型并进行检测,将检测的结果通过中值滤波去噪后,用贝叶斯推断进行融合.通过对"潜龙二号"实际运行数据进行检测,验证所提方法的有效性.     

基于特征相关性的牵引系统主回路接地故障诊断

本文针对目前机车、动车牵引系统中主回路接地故障的精确定位问题, 提出了一种基于特征相关性的故障诊断方法. 该方法通过在线计算与故障关联的特征变量, 提取相关故障特征指标, 并考虑各故障特征指标间的相关性, 利用典型相关分析得到残差, 以实现快速故障检测. 进一步, 构建基于残差方向的故障隔离方法, 实现准确地故障定位. 现场实验表明, 与传统基于相关性的故障诊断方法以及实际工程应用方法相比, 在存在较大测量噪声与暂态工况变化时, 本文所提方法能实现更好的故障检测与隔离性能, 具有良好的应用价值.     

Probabilistic fault diagnosis method based on the combination of nest-loop fisher discriminant analysis and analysis of relative changes

Bias of data location and increase in data variations are two typical disturbances, which in general, simultaneously exist in the fault process. Targeting their different characteristics, a nested-loop fisher discriminant analysis (NeLFDA) algorithm and relative changes (RC) algorithm are effectively combined for analyzing the fault characteristics. First, a prejudgment strategy is developed to evaluate the fault types and determine what changes are covered in the fault process. Two statistical indexes are defined, which conduct Monte Carlo based center fluctuation analysis and dissimilarity analysis respectively. Second, for the fault data containing those two faults simultaneously, a combined NeLFDA-RC algorithm is proposed for fault deviations modeling, which is termed as CNR-FD. Fault directions concerning bias of data location are extracted by the NeLFDA algorithm and then corresponding fault deviations are removed from the fault data. Then RC algorithm is performed on these fault data to extract directions concerning increase of data variations. These fault directions are used as reconstruction models to characterize each fault class. Particularly, the compromise between these two algorithms is determined by the Monte Carlo based center fluctuation analysis. For online applications, a probabilistic fault diagnosis strategy based on Bayes’ rule is performed to identify fault cause by discovering the right reconstruction models that can make the reconstructed monitoring statistics have the largest probabilities of belonging to normal condition. The motivation of the proposed algorithm is illustrated by a numerical case and the performance of the reconstruction models and the probabilistic fault diagnosis strategy are illustrated using pre-programmed faults from the Tennessee Eastman benchmark process and the real industrial process data from the cut-made process of cigarettes in some cigarette factory.     

改进的模糊聚类在控制系统故障诊断中的应用

为了提高控制系统中传感器与执行器故障诊断的准确性,结合小波分析特征提取的优势和密度函数加权模糊C-均值聚类具有较好分类效果的特点,提出了一种新的控制系统故障诊断方法。该方法首先利用小波分析对故障信号进行特征提取,降低噪声的影响;然后对特征提取后的数据通过加权模糊C-均值聚类算法,对故障进行识别分类。实验表明,基于小波分析和加权模糊C-均值聚类相结合的方法,不仅可以识别不同部件的故障,而且可以对同一部件的不同类型的故障进行诊断。     

基于自适应线性神经元的高压电缆状态监测及故障定位方法研究

高压电缆的早期故障往往是由电应力过大和电缆老化造成的。如果这种故障在短时间内以电流尖峰的形式出现,则可能出现永久性故障。为了检测高压电缆中的早期故障,提出了一种基于累积和算法以及自适应线性神经元的监测策略,从而检测单相瞬变和区分早期故障。累积和算法对噪声具有鲁棒性。在仿真中对所提出的方法进行测试,结果显示所提出方法可实现高精度和高速故障定位,验证了其有效性。     

基于Park变换的三电平逆变器开路故障诊断

针对现有二极管钳位式(NPC)三电平逆变器开路故障诊断方法存在计算量大、准确率受噪声和负载等影响的问题,提出了一种基于Park变换的三电平逆变器开路故障诊断方法。对三电平逆变器三相输出电流进行Park变换,计算平均电流Park矢量;利用滑动窗口取得单周期电流信号,根据逆变器电路结构分析IGBT故障时输出电流变化;采用迭代法确定平均电流Park矢量模值的阈值,结合相角和模值进行三电平逆变器功率管13种开路故障的识别和定位。仿真结果表明,该方法故障诊断准确率达到了98.31%。与传统的开路故障诊断方法相比,该方法不需要对13种开路故障数据进行学习和训练,大大减少了计算量,提高了故障诊断效率和准确率。     

基于规范变量残差的化工过程微小故障检测与诊断

微小故障因其幅值低而易被噪声和过程扰动所掩盖,并且会随时间慢慢演变成过程中的严重故障.因此,微小故障的检测和诊断变得越来越重要.为了更有效地监测和诊断微小故障,提出了基于规范变量残差的化工过程微小故障检测和诊断方法.首先,对Hankel矩阵执行奇异值分解来获得主元和残差空间并根据过去和未来数据的差异,求得两个不同的规范变量残差d_1, d_2.其次,考虑数据的时间序列特性,提出了基于规范变量残差的两个加权平均统计量W_(D1), W_(D2)及其控制限,进行故障检测;然后,计算出各个统计量的归一化贡献并绘制二维贡献图,进行故障诊断.最后,在连续搅拌釜式反应器(CSTR)过程中进行两种微小故障的应用研究.结果表明,与传统的统计量T~2,Q以及规范变量差异分析(CVDA)中统计量D相比,基于规范变量残差的加权平均统计量W_(D1), W_(D2)不仅能够及时检测到微小故障,而且在故障检测率和诊断率方面,均有不同程度的提高.     

一种基于模糊逻辑的非线性系统故障检测与定位的方法

针对一般非线性系统,提出了一种带故障标志的系统故障模糊模型,基于此模型给出了一种非线性系统故障检测与定位的新方法,它采用模糊聚类算法提取故障系统的模糊规则,进而完成系统故障的检测与定位,该方法对噪声污染具有较强的抑制作用,对模型误差亦无较高的要求, 仿真结果表明所提方法对非线性系统的故障可以及时地完成检测与定位。     

Fault Detection Based On Online Probability Density Function Estimation

This study presents a new fault detection scheme based on the probability density function (PDF) of system output. Unlike the classical fault detection and diagnosis methods, in the proposed method, distribution of the system output is estimated online. To achieve this goal, an algorithm is introduced to estimate PDF online using fuzzy logic. Furthermore, convergence of this algorithm is investigated. Then, a residual is constructed that can show the existence of a fault in the system. The main advantages of the proposed method are robustness against measurement noise, even though it does not need the exact model and measured data of inputs and states. Simulation results show that this scheme can detect abrupt faults very well.     

基于神经网络与模糊融合的外围故障诊断方法

针对用传统检测方法诊断模拟电路系统设备外围故障困难的问题,提出了一种利用BP神经网络与模糊融合相结合的故障诊断新方法,将神经网络与模糊融合结合起来,实现两者优势互补;首先利用神经网络的泛化能力对系统内部各可测点电压各用一个独立的BP神经网络对系统进行初级诊断,然后根据初级诊断结果,运用模糊融合诊断方法进行故障诊断,诊断结果更趋于合理,对模拟电路系统的外围故障实现正确定位;该方法能充分利用系统内部故障信息,有效避免采集外围设备信息的困难。     

一种异步电动机故障诊断新方法

针对基于RBF神经网络的异步电动机故障诊断方法存在参数确定较困难的问题,提出了一种基于差分进化算法优化RBF神经网络的异步电动机故障诊断方法。首先采用小波变换对异步电动机运行状态信号进行消噪处理,然后采用主元分析法与小波包分析法相结合方式提取消噪后的异步电动机运行状态信号特征,最后采用差分进化算法优化后的RBF神经网络对异步电动机运行状态信号特征进行诊断。实验结果表明,与未优化的RBF神经网络相比,采用差分进化算法优化后的RBF神经网络可有效识别出异步电动机故障。     

运用独立元分析的仿射运动估计算法

目前在视频流中的运动估计都是针对平移运动的，对于旋转和扭曲运动效果很差，采用Oirrak等提出的Fourier方法可实现旋转和扭曲运动估计，但当目标轮廓简单或噪声大时效果不佳．提出用独立元分析(ICA)方法对图像目标的扭曲运动进行估计，该方法对噪声具有很好鲁棒性，克服了Fourier方法对简单物体仿射参数估计效果差的局限性；同时，采用快速ICA算法计算量小，在视频处理和通信领域中有很好的应用前景．