逆PCA方法及其在故障检测与诊断中的应用

针对主元分析方法的特点，提出一种逆主元分析方法，具体采用二次投影逆主元方法，以实现故障发生时，主元空间向故障变量的投影．首先，对负荷矩阵进行方差最大正交旋转，以使某一个或某几个主元能够与某一特定子系统相对应，实现第一次投影；然后，在子系统内部进行故障诊断，实现二次投影．该方法提高了PCA方法的检测灵敏度和诊断效能．     

在线压缩主元分析的自适应故障检测方法

大规模的工业过程具有动态的特性,主元分析只关注方差最大化,没有很好地解决处理样本的数量以及样本成分是否包含动态特性,所以主元分析不适合直接应用于动态过程的故障检测。因此,提出一种在线压缩主元分析的自适应故障检测方法。在大量的样本中提取一组极具代表性的样本进行压缩数据建模,对于在线实时采集的数据,根据信息是否符合添加要求进行判断,并自动更新监控模型。将该方法应用于田纳西-伊斯曼过程,使用T²进行验证分析,仿真结果表明,所提出的故障检测方法是有效性。     

基于MICA-PCA的间歇过程故障监测

针对具有数据非高斯分布或混合分布的间歇过程, 研究一种新的改进MICA-PCA监控方法.首先利用MICA方法提取非高斯分布过程信息, 通过设定负熵阈值实现独立成分个数的自动选择, 以此克服传统ICA方法中需提前确定独立成分个数的缺点, 再使用核密度估计方法确定相应统计量的置信限, 然后对服从多元高斯分布的残差过程信息, 进一步进行PCA分析和处理.将该方法应用于北京某生化制药厂重组大肠杆菌制备白介素-2发酵过程监控.结果表明:该法在过程变量不服从高斯分布的情况下能有效降低传统方法的漏报和误报率, 准确地对过程进行监控.     

MWMPCA在过程故障检测与诊断中的应用

在研究多向主元分析(MPCA——Multi-way Principal Component Analysis)理论的基础上,通过对间歇过程数据的分析研究移动窗口多向主元分析(MWMPCA——Moving Window Multi-way Principal Component Analysis)理论,并将该方法应用于TE过程进行故障检测与诊断.与MPCA方法比较,MWMPCA方法随采样的增加窗口长度不断改变,使窗口内有用的信息不断增加,所建模型更加准确,能提高监控系统的稳定性.通过对Q统计量、HotellingT2统计量的检测结果进行分析比较,证明MWMPCA理论在检测系统异常事件中能提高系统的准确性,使系统故障检测与诊断的性能得到改进.     

基于两步子空间划分的化工过程监测方法

为了解决现代化工过程采集的数据维度高、分布复杂的问题,提出一种基于两步子空间(two step subspace division, TSSD)划分的化工过程监测方法。为了降低过程分析复杂度,将具有相似特性的变量划分为同一空间。考虑数据的复杂分布问题,将第一步得到的每个子空间划分为高斯空间与非高斯空间。利用主元分析(principal component analysis, PCA)和独立元分析(independent component analysis, ICA)方法建立检测模型并构造统计量。整合每个子空间的统计量并基于局部离群因子(local outlier factor, LOF)方法构建综合统计量。结果表明:TSSD方法对于16个故障均能取得最优的漏报率,尤其是故障10和故障16,漏报率分别为15.375%和6.75%,有效验证所提出的基于两步子空间划分的过程监测方法的优越性。     

一种应用于人耳识别的基于SVD和PCA的特征融合方法

采用一种融合奇异值主元投影特征与主元投影特征的特征提取算法对静态人耳图像进行识别。该算法一方面提高了人耳的识别性能,另一方面弥补了采用单一PCA和SVD算法提取人耳特征时的不足,减少了对噪声和光照条件的敏感性。在自建人耳库和CP人耳库中的实验表明算法的合理性和有效性,为实际中处理人耳识别问题提供了参考。     

改进的PCA方法在TE过程故障检测中的应用

现代工业生产中,运行的安全性和可靠性尤其重要.利用主元分析数据压缩的优点,结合小波分析的多分辨率特性,提出了一种改进的主元分析方法,建立了基于改进方法的工业系统故障检测与分离的程序架构.通过TE过程仿真研究表明:改进方法在故障检测方面性能优良,降低了误报率,提高了故障诊断的准确性,为故障检测领域相关问题的研究提供了有效例证.     

不同展开方法在间歇过程故障检测中的应用

间歇过程数据是一个典型的三维数据形式,数据的展开方法在一定程度上影响了所建立的统计模型的精确度。针对这一问题,提出了基于不同展开方式上的核独立元分析（KernelICA）的在线故障检测方法,并应用于青霉素生产过程的数据分析中。仿真结果表明,与传统的在批次方向展开的建模方法相比,所提出的方法大大降低了故障的漏报率,具有更好的故障检测性能。     

基于奇异值(SVD)分解的线性降维方法

数据降维是流行学习算法的一个关键问题,本文在The LLE and a Linear Mapping[1]的基础上给出了一种基于矩阵奇异值分解的线性降维方法,证明了基于SVD分解的线性降维方法在相差一个对角阵的前提下就是主成份分析法(PCA),并且给出了一个降维的自由度,从而在降维时可以自由选择以保持流行的几何结构,实验结果充分证实了算法的优越性.     

基于递推PLS的自适应软测量模型及其应用

针对基于批量数据的传统偏最小二乘（PLS）模型无法随生产过程的变化而更新的问题，提出基于块式递推PLS的限定记忆法。新的自适应算法保持定长数据块队列，根据最新采集的数据块更新模型，并按数据块的时间先后运用遗忘因子赋予其相应的可信度，从而确保模型跟踪过程变化。结合实际工业过程的应用要求，给出了方法的实施步骤，并运用该方法建立了气相聚乙烯工业生产过程质量指标的自适应软测量模型。与固定PLS模型相比，该模型能更好地跟踪过程变化，具有更高的预测精度。     

基于CMAC和图像信息测度特征的边缘检测方法及其应用

CMAC(Cerebellar Model Articulation Controller)网络是一种具有线性结构、算法简单的局部化神经网络,由一个固定的非线性输入层和一个可调线性输出层组成,实质为自适应查表算法.由于信息以分布方式存储,CMAC泛化能力强,学习速度快.通过引入信息测度特征反映图像边缘,以CMAC网络为非线性函数映射器,对配电系统中关键绝缘瓷瓶的远程监控作了应用研究,提出一种利用CMAC网络完成瓷瓶图像信息测度至边缘特征的非线性映射方法;并通过边缘检测前后的正常预处理和异常扫描,实现瓷瓶状态的实时监测.仿真和实际应用均表明该方案具有可行性和有效性.     

基于核主元分析和模式匹配的非线性性能监控和故障诊断

利用核主元分析非线性性能监控的优势,并将相似度分析引入故障诊断领域,提出了基于核主元分析和模式匹配技术相结合的性能监控和故障诊断方法。针对PCA相似度分析存在的问题,对该方法进行了改进。由于KPCA方法具有较好的非线性特性提取能力,因此首先利用KPCA法计算数据的非线性主元,然后计算不同数据集之间的非线性主元相似度;并将主元相似度、非线性主元相似度和基于距离的相似度赋予不同的权值构成综合相似度指标来进行模式匹配。TE过程仿真试验验证了该方法在非线性性能监控与故障诊断中的有效性。     

基于累积残差贡献率的传感器故障定位方法

为准确定位结构健康监测系统中的故障传感器,提出了基于累积残差贡献率的传感器故障定位方法。基于主元分析的基本原理,将车辆荷载和地脉动激励下传感器采集的数据分为主元空间和残差空间,采用SPE统计量对故障进行识别。在此基础上,通过对残差贡献值的推导,提出了累积残差贡献率指标,改进了现有的残差贡献图,提高了故障定位的准确率,并将单传感器故障定位拓展到两个故障传感器的同时定位。数值模拟结果表明：主元分析法能准确识别出预设的4类常见传感器故障,累积残差贡献率不但能更好地定位单传感器故障,两传感器同时发生故障时也能准确定位。     

基于独立分量分析的系统性能监控方法研究

为了提高故障检测和诊断的性能,提出了一种基于独立分量分析和支撑向量机对系统性能进行监控的整体框架,这一框架包括特征提取和故障识别两部分.独立分量分析被用来从当前工况的数据矩阵中提取出代表当前工况特征的投影系数矩阵,而这些投影系数矩阵则被用来训练多个支撑向量机,从而利用它们实现故障类型的识别.Tennessee Eastman 过程的仿真研究证实了该算法的可行性,且与传统的基于主元分析的算法相比,能够更早地检测出故障的发生.     

一种基于RBF神经网络的非线性PCA故障检测方法

针对传统PCA(主元分析)故障诊断方法在非线性过程应用中存在的缺点,提出了一种基于RBF(径向基)神经网络的非线性PCA故障检测方法。首先,提出一个由两个RBF网络构成的非线性统计模型,其中第一个网络用于建立输入变量到主元的非线性映射,第二个网络实现逆映射来重构原始数据。其次,用主元曲线算法来解决网络训练数据的获取问题。最后,给出了使用基于RBF网络的非线性PCA方法进行故障检测的步骤,并通过一个三阶非线性系统的仿真实例验证了该方法的有效性。     

Nonlinear combined forecasting model based on fuzzy adaptive variable weight and its application

In order to enhance forecasting precision of problems about nonlinear time series in a complex industry system, a new nonlinear fuzzy adaptive variable weight combined forecasting model was established by using conceptions of the relative error, the change tendency of the forecasted object, gray basic weight and adaptive control coefficient on the basis of the method of fuzzy variable weight. Based on Visual Basic 6.0 platform, a fuzzy adaptive variable weight combined forecasting and management system was developed. The application results reveal that the forecasting precisions from the new nonlinear combined forecasting model are higher than those of other single combined forecasting models and the combined forecasting and management system is very powerful tool for the required decision in complex industry system.     

数据驱动PCA、ICA和KICA故障检测仿真比较

针对同一非线性过程数据,分别应用多元统计过程监控技术中的主元分析（Principal Component Analysis,PCA）、独立元分析（Independent Component Analysis,ICA）和核独立元分析（Kernel Independent Component Analysis,KICA）三种方法进行了故障检测建模,并进行了仿真比较研究。通过田纳西-伊斯曼过程（Tennessee Eastman Process,TE）仿真结果表明：在处理实际工业生产中非线性、非高斯的数据方面,KICA方法具有更强的故障监测能力。     

基于多元统计投影方法的过程监控技术研究

为克服传统过程监控方法需假设过程特征信号服从多元正态分布的缺陷,提出了一种新的基于独立成分分析(ICA)和主元分析(PCA)的过程监控方法,该方法由两步组成: 第一步: 利用独立成分分析方法从过程信息中提取非正态分布特征信号,然后用Parzen窗法估计其概率密度确定控制限进行过程监控;第二步: 利用主元分析方法对剩余过程信息提取正态分布特征信号,采用Q和Hotelling T2统计量对此正态特征信号进行过程监控.通过对双效蒸发器进料浓度和加热蒸气温度发生异常的两种故障模式仿真研究表明,该方法比传统多元统计过程控制具有更少的漏报率.