CDC/MVT离群点去除的KPCA-MSVMs过程监控

基于主元分析(Principal Component Analysis,PCA)的统计监控模型易受建模数据中离群点的影响;大多工业过程表现出强非线性;且基于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,提出基于中心最短距离法CDC (Closest Distance to Center,CDC)/椭球多变量整理法MVT(ellipsoidal Multivariate Trimming,MVT)离群点去除的核主元分析KPCA (Kernel PCA,KPCA)-多支撑向量机MSVMs(Multiple Support Vector Machines,MSVMs)的过程监控方法.该方法首先提出改进尺度的CDC/MVT离群点去除算法以获取正常建模数据;然后利用KPCA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MSVMs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.     

基于改进核主元和支持向量数据描述故障检测

提出基于改进核主元和支持向量数据描述(SVDD)故障检测方法,适合于复杂工业过程具有非线性和非高斯性的情况.首先,通过对核主元(KPCA)特征空间样本进行重构误差,在样本集上自动识别异常值,减少对KPCA算法的影响并增强非线性核映射.然后,利用支持向量数据描述算法处理数据非高斯信号,据此构建统计量对工业过程进行检测.最后,将所提出的改进核主元和支持向量数据描述方法应用于田纳西-伊斯曼(TE,Tennessee Eastman)过程的仿真实验,结果说明提出方法的有效性.     

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。     

非线性特征提取和LSSVM在化工过程故障诊断中应用

提出利用非线性特征提取（核主成分分析（KPCA）和核独立成分分析）消除数据的不相关性,降低维数。核主成分分析利用核函数把输入数据映射到特征空间,进行线性主成分分析计算提取特征;核独立成分分析在KPCA白化空间进行线性独立成分分析（ICA）变换提取独立成分。提取的特征作为最小二乘支持向量机分类器的输入,构建融合非线性特征提取和最小二乘支持向量机的智能故障分类方法。研究了该方法应用到某石化企业润滑油生产过程的故障诊断中的有效性和可行性。     

基于KPCA-PNN的复杂工业过程集成故障辨识方法

针对核主元分析方法在复杂工业在线监控过程中易出现的核矩阵KKK难以计算和初始故障源难以辨识的问题,提出了一种基于核主元分析和概率神经网络的集成故障辨识方法．首先通过特征样本提取方法预处理工业数据集,然后采用核函数主元分析的Hotelling统计量T2和SPE方法检测故障,采用核函数梯度算法定义了两个新的统计量CT2和CSPE,计算了每个监控变量对统计量T2和SPE的贡献程度,并提取了故障特征．最后,利用概率神经网络技术进一步从关联故障特征中辨识出初始故障源．将上述故障诊断方法应用到TennesseeEastman（TE）化工过程;多种故障模式下的仿真结果显示,该方法能够有效地检测并辨识出多种故障类型．     

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.     

分段多向核主元分析的啤酒发酵过程故障检测

基于主元分析的故障诊断模型应用在非线性时变过程中具有局限性。基于间歇过程具有周期性这一特点,在非线性空间的数据提取中,将核变换理论引入其中,提出了一种改进的多向核主元分析故障诊断模型,该方法对于过程数据的非线性问题的解决和非线性信息的充分提取表现出很好的性能,使得非线性主元能够在高维特征空间中被快速提取。 对比实验结果表明,该方法对于缓慢时变的间歇过程具有很好的准确性与实时性。     

结合非线性频谱与核主元分析的复杂系统故障诊断方法

传统非线性频谱分析方法对复杂系统进行故障诊断时,求解出的非线性频谱数据量庞大,不便于直接用于故障检测与分类识别.本文提出了一种非线性频谱特征与核主元分析(KPCA)结合的故障诊断方法,首先通过最小二乘算法估计出前3阶Volterra时域核,由多维傅立叶变换求取出广义频率响应函数,然后利用KPCA方法对谱数据进行压缩与提取谱特征,最后利用多分类最小二乘支持向量机进行多故障检测与识别.考虑到频谱数据具有非线性的特点,KPCA中的核函数选用由多项式函数与径向基函数构成的混合核函数,兼顾了局部特性与全局特性.论文基于非线性频谱数据,给出了核主元模型建立与在线故障诊断的具体算法.对非线性模拟电路和数控机床伺服传动系统进行了仿真实验,结果表明本文方法能够大幅度降低频谱数据维数,故障识别率高,是一种实用的故障诊断方法.     

基于OWPB和LS-SVM的电路板故障诊断系统

针对雷达电路板检修困难的问题,提出了基于最优小波包基和最小二乘支持向量机相结合的雷达电路板故障诊断方法。利用小波变换对采样数据进行去噪处理,通过小波包分解选择最优小波包基提取熵值作为故障特征向量,并作为基于最小二乘支持向量机的雷达故障诊断模型的输入向量,经诊断模型输出后,完成雷达电路板故障诊断。基于此方法设计了雷达电路板故障诊断系统,提高了雷达故障诊断的正确性和效率。     

基于KECA和FWA-SVM的间歇过程分时段故障诊断方法

针对间歇过程的高度复杂性、强非线性、强时段性等特点,提出一种基于核熵成分分析（KECA）特征变量降维,利用烟花算法（FWA）优化支持向量机（SVM）参数的间歇过程分时段故障诊断方法。首先,通过多向核主元分析（MKPCA）进行在线故障监测,输出故障数据;其次,利用K-means分类方法将间歇过程划分为若干个子时段,对故障数据进行KECA特征变量处理,按熵值贡献率来确定选取主元的个数,深层提取特征信息;最后,在各子时段内分别构建FWA优化SVM参数故障诊断模型,将降维处理后的故障数据代入各自所属子时段FWA-SVM诊断模型内进行故障诊断。通过对青霉素仿真实验数据进行各种对比实验研究,验证了该方法的可行性与有效性。     

基于数据分析的化工过程监测

为了改善主元分析对带噪声过程的监测性能，本文结合小波包分析消噪性能与主元分析提取变量间相关性能的特点，提出了一种小波包主元分析方法。给出了基于小波包主元分析的过程监测的算法实现。并在此基础上，对TE过程进行了监测性能仿真。结果表明小波包主元分析方法有较好的监测性能。     

Recursive PCA for adaptive process monitoring

While principal component analysis (PCA) has found wide application in process monitoring, slow and normal process changes often occur in real processes, which lead to false alarms for a fixed-model monitoring approach. In this paper, we propose two recursive PCA algorithms for adaptive process monitoring. The paper starts with an efficient approach to updating the correlation matrix recursively. The algorithms, using rank-one modification and Lanczos tridiagonalization, are then proposed and their computational complexity is compared. The number of principal components and the confidence limits for process monitoring are also determined recursively. A complete adaptive monitoring algorithm that addresses the issues of missing values and outlines is presented. Finally, the proposed algorithms are applied to a rapid thermal annealing process in semiconductor processing for adaptive monitoring.     

Online monitoring of nonlinear multivariate industrial processes using filtering KICA–PCA

In this paper, a novel approach for processes monitoring, termed as filtering kernel independent component analysis–principal component analysis (FKICA–PCA), is developed. In FKICA–PCA, first, a method to calculate the variance of independent component is proposed, which is significant to make Gaussian features and non-Gaussian features comparable and to select dominant components legitimately; second, Genetic Algorithm is used to determine the kernel parameter through minimizing false alarm rate and maximizing detection rate; furthermore, exponentially weighted moving average (EWMA) scheme is used to filter the monitoring indices of KICA–PCA to improve monitoring performance. In addition, a novel contribution analysis scheme is developed for FKICA–PCA to diagnosis faults. The feasibility and effectiveness of the proposed method are validated on the Tennessee Eastman (TE) process.     

基于主元子空间故障重构技术的故障诊断研究

针对基于主元分析(PCA)的统计性能监控法,由于不用过程机理模型的信息,因此,对故障诊断问题有难以在理论上作系统分析的缺陷,于是提出了一种基于主元子空间故障重构技术的故障诊断方法。利用故障子空间的概念,在故障重构技术的基础上,研究基于T~2统计量的故障诊断问题,提出故障识别指标和诊断算法。通过对双效蒸发过程的仿真监测,验证该诊断方法的有效性。     

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.     

基于稀疏主元分析的过程监控研究

主元分析（principal component analysis）是一种多元统计技术,在过程监控和故障诊断中具有广泛的应用。针对过程监控中数据量大的特点,提出一种稀疏主元分析（sparse principal component analysis）方法,通过引入lasso约束函数,构建稀疏主元分析的框架,将PCA降维问题转化为回归最优化问题,从而求解得到稀疏化的主元,并提高了主元模型的抗干扰能力。由于稀疏后主元相关的数据量减少,利用数据建立过程监控模型,减少了计算量,并缩短了计算时间,进而提高了监控的实时性。利用田纳西伊斯特曼过程（TE processes）进行实验仿真,并与传统的主元分析方法进行对比研究。结果表明,新提出的稀疏主元分析方法在计算效率和监控实时性上均优于传统的主元分析方法。     

基于改进核主元分析的TE故障诊断

PCA、KPCA作为常用的多变量统计监控算法,一般适用于定常过程。针对实际工业过程的时变、非线性特性,提出一种基于分块的改进KPCA算法。该方法通过采用随时间更新的核矩阵代替固定核矩阵用于主元模型的建立,使非线性监控模型能够在线更新,从而提高KPCA的检测正确率。与KPCA方法相比,该方法的运算复杂度明显降低。将该方法应用于TE(Tennessee Eastman)过程,仿真结果显示,该方法具有较好的监测性能,且所需时间大大减小,说明了本算法的有效性。     

基于分层分块DLPPCA-SVM的复杂工业过程监测与故障诊断方法

针对工业过程动态性及非线性强等特点,提出一种基于动态局部保持主成分分析法的过程监测方法.该方法通过构造扩展矩阵来解决动态过程中各采样点间相关性强的问题,并将局部保持投影(LPP)与主成分分析法(PCA)相结合从而实现提取流形结构的最大方差信息.在此基础上,针对复杂工业过程变量复杂多变、呈不同特性的特点,提出基于分层分块DLPPCA-SVM(dynamic locality preserving principal component analysis-support vector machine, DLPPCA-SVM)的过程监测及故障诊断方法,该方法针对不同特性的子块分别采用DLPPCA和PCA进行建模,并利用支持向量机进行故障诊断.将该方法用于田纳西-伊斯曼(TE)化工过程和发电机组的在线监测和故障诊断,仿真结果验证了所提出方法的有效性.     

Performance monitoring of a multi-product semi-batch process

Traditionally principal components analysis (PCA) has been viewed as a single-population method. In particular in multivariate statistical process control, PCA has been used to monitor single product production. An extension to principal components analysis is presented which enables the simultaneous monitoring of a number of product grades or recipes. The method is based upon the existence of a common eigenvector subspace for the sample variance–covariance matrices of the individual products. The pooled sample variance–covariance matrix of the individual products is then used to estimate the principal component loadings of the multi-group model. The methodology is applied to a semi-discrete industrial batch process manufacturing a number of recipes. The industrial application illustrates that the detection and diagnostic capabilities of the multi-group model are comparable to those achieved by developing a separate statistical representation for the individual products.     

基于故障重构的故障识别

针对基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测法,尽管不依赖于精确的数学模型,然而却限制了其在故障诊断方面的能力问题,在故障重构技术的基础上,研究了基于统计量的故障诊断问题,获得了主元子空间中故障可重构性的理论条件,提出了故障识别指标和诊断算法.通过对双效蒸发过程...