基于主元分析的火电厂生产过程故障检测研究

由于工况变化频繁,使用单一主元模型难以准确描述火电厂生产过程的统计特性,因此应用传统主元分析(PCA)故障检测方法会带来大量的误检。提出了一种适用于火电厂生产过程的改进PCA故障检测方法:首先用K均值聚类分析方法对过程数据进行分类得到各稳态工况下的数据;然后根据分类数据建立主元模型组来描述整个过程;最后在故障检测中对检测样本进行模糊划分,动态计算出与当前工况相适应的主元模型并进行检测。使用现场数据对比研究了传统方法和改进方法在锅炉过程故障检测中的应用情况。结果表明改进方法能适应工况变化,减少误检并提高检测灵敏度。     

一种基于KPCA的非线性故障诊断方法

介绍了一种非线性故障检测方法———核主元分析法(KPCA),通过核函数来完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间.在特征空间中使用PCA计算主元,构造T2和SPE统计量检测过程故障的发生.提出了一种KPCA贡献图计算方法,根据测量变量和非线性主元的相关性,计算测量变量的贡献量绘制贡献图,用于故障变量的分离.仿真结果表明,KPCA方法可以比PCA方法更加迅速的检测到故障的发生,利用KPCA贡献图可以较好的辨识出故障变量.     

一种基于KPCA的非线性故障诊断方法

介绍了一种非线性故障检测方法——核主元分析法(KPCA)，通过核函数来完成非线性变换，将变量由非线性的输入空间转换到线性的特征空间．在特征空间中使用PCA计算主元，构造T^2和SPE统计量检测过程故障的发生．提出了一种KPCA贡献图计算方法，根据测量变量和非线性主元的相关性，计算测量变量的贡献量绘制贡献图，用于故障变量的分离、仿真结果表明，KPCA方法可以比PCA方法更加迅速的检测到故障的发生，利用KPCA贡献图可以较好的辨识出故障变量。     

PCA故障检测方法及应用

基于主元分析（PCA）的传感器故障检测方法中T2和SPE统计量是两个重要指标。首先介绍T2统计量超限而SPE没超限故障检测的方法。利用主元相关变量残差统计量代替平方预测误差SPE统计量,并采用累积方差贡献率确定PCA模型的主元数。该方法避免了SPE统计量的保守性。最后将该方法应用于电厂某机组工作过程检测中,通过仿真验证该方法的有效性。     

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。     

基于支持向量机的MSPC方法及其应用

针对传统多变量统计过程控制（MSPC）方法在故障检测、故障原因分析和故障识别中的难点，提出了多元特征提取方法与基于支持向量机（SVM）的一类分类器设计、特征选择以及多类分类器设计方法相结合的一种完整的MSPC新方法.该方法在故障检测中可去除特征满足特定分布的假设前提，并可确定多个统计量的控制限；在故障原因分析中综合考虑故障对于各个变量大小的影响以及变量变化对于故障分类的重要性，提高了关键变量选择的准确性；并且故障识别是基于SVM对故障特征分类的优良特性，避免了传统判别法中经验准则的引入.上述方法在标准仿真平台Tennessee Eastman过程上结合主元分析（PCA）进行了应用，结果显示了其优越性.     

基于双重控制策略的故障检测方法

针对复杂工业过程中变量故障信息统计不完全和故障检测性能不佳的问题,提出一种基于双重控制策略的故障检测方法。对输入数据进行标准化处理并获得数据的偏差变量来揭示数据的故障信息,实现第一重控制;对偏差变量进行处理生成新的辅助监控统计量,实现第二重控制;针对辅助监控统计量阈值难以确定的现象,基于一种反馈调节的参数自适应策略设置阈值。使用提出的方法对田纳西伊斯曼过程(TE过程)进行故障检测,且与改进欧氏距离控制(IEDC)和传统主成分分析(PCA)的故障检测方法进行比较验证。结果表明：与IEDC和PCA方法相比,所提方法能监控TE过程中变量更多的故障信息,在多组类型的故障检测中具有更高的故障检测率与较低的误报率,可有效应用于复杂的工业过程。     

基于高斯和非高斯双子空间SVM的故障检测

为了降低样本间的自相关性对支持向量机(SVM)检测性能的影响,提出一种基于高斯和非高斯双子空间SVM(DSSVM)的故障检测方法.首先运用Kolmogorov-Smirnov(KS)检验原始数据中过程变量的正态分布特性,将过程变量划分为高斯子空间和非高斯子空间,并建立基于PCA的高斯子空间和IC A的非高斯子空间故障检测模型;分别对主元矩阵和独立元矩阵引入时滞特性和时差输入特性,该特性的引入能够降低样本间的自相关性;最后将引入时滞和时差特性的矩阵进行组合,运用SVM模型对其进行故障检测和监视.将该方法运用于多变量数值仿真和田纳西-伊斯曼工业过程,并与PCA、ICA、SVM和基于变量分布特征的统计过程检测方法(VDSPM)比较,仿真实验结果进一步验证了该算法的有效性.     

基于MCUSUM-ICA-PCA的微小故障检测

针对过程中难以检测到的微小、缓变故障的检测问题，以及过程中普遍存在的非高斯信息，提出一种新的多变量统计过程监测方法.把传统的单变量累计和控制图（CUSUM）扩展为多变量的形式，并与独立成分分析（ICA）和传统的主元分析（PCA）方法相结合，构成新的MCUSUM-ICA-PCA方法，采用 ICA-PCA两步信息提取策略，完整地提取出过程的非高斯和高斯信息，重新构造统计量并建立其对应的统计限.通过对Tennessee Eastman（TE）过程的仿真研究，验证了该方法的可行性和有效性，改善了该过程微小故障的检测效果，从而更好地保证过程运行的安全、稳定性.     

基于近邻距离加权主元分析的故障定位

随着现代工业过程越来越复杂,采集到的数据量也越来越大,数据集中各个变量之间存在相互影响,一些传统的故障定位方法不能达到满意的定位效果.因此,在主元分析(PCA)故障定位方法的基础上,采用正常工况样本近邻距离对样本进行加权的方法,将每个样本与其最近邻样本的距离作为加权因子,削弱变量之间的相互影响,降低拖尾效应,改进PCA的故障定位效果.首先,对样本进行预处理并加权;然后,利用加权后正常工况的样本建立主元监视模型,在线监视过程中,在发生故障时刻,根据之前建立的模型计算相应时刻加权样本的重构监视统计量和每个变量的重构贡献值,通过最大贡献率法对变量进行逐步定位;最后在数值案例和TE过程进行仿真研究,并与基于PCA故障定位方法进行比较,结果表明了所提方法的有效性.     

非线性系统传感器偏差的自适应故障检测与分离方法

针对一类具有模型不确定性且状态部分可测的非线性系统,提出了一种基于鲁棒自适应技术的传感器偏差故障检测与分离方法。所提出的故障检测与分离方法是由一个故障检测估计器和一组故障分离估计器完成的,其中每一个故障分离估计器对应一种类型的传感器偏差故障。对于某一故障分离估计器如果它的的输出估计误差中至少一项的绝对值超过相应的自适应阈值,则这个故障发生的可能性被排除,即可分离故障。在系统存在模型不确定性和状态部分可测的情况下,应用自适应技术来估计未知的传感器偏差故障并分析了故障分离器的稳定性。仿真算例证明了所提出的鲁棒自适应故障检测与分离方法的有效性。     

基于迭代PCA的油田传感器故障检测与隔离

针对油田采油现场采集的传感器数据本身存在不规律动态特性,使得传统的主元分析(PCA)故障检测方法在实际应用中准确度较低、容易出现误报的问题,采用一种迭代PCA模型方法,即累积数据达到一定长度之后对PCA模型进行迭代更新,可以有效地减小误报的发生.检测出故障后,利用故障数据和残差向量的映射向量定义一个传感器故障指数,可以实现故障隔离.仿真实验表明,与传统的PCA方法相比,本文所采用的更新PCA模型的迭代方法能更好地适用于数据具有动态特性的油田传感器故障检测;通过对传感器故障指数的计算可以准确地实现故障隔离.实验表明,本文用的传感器故障检测与隔离方法可以很好地应用在实际系统中.     

电厂汽轮机高中压转子振动突变故障识别研究

为了保证电厂汽轮机能够在高温、高转速环境中安全稳定运行,提出电厂汽轮机高中压转子振动突变故障识别方法．根据电厂汽轮机高中压转子振动突变故障时的轴系振动特点,利用一体化电涡流位移传感器采集相应的故障信号,利用小波包分析提取高中压转子振动突变故障特征,将提取到的故障特征作为输入量,输入采用人工鱼群算法优化的RBF神经网络中,输出电厂汽轮机高中压转子振动突变故障类型识别结果．在实验过程中对质量不平衡、转子热弯曲、转轴不对中、转动部件飞脱、动静碰磨、汽流激振、结构共振、结构刚度不足、转子裂纹等9种常见故障进行识别．实验结果表明,该方法分解并重构的电厂汽轮机高中压转子振动突变故障信号质量较高,获得故障识别结果与实际故障相同,识别精度高,结果具备可靠性．     

Fault Detection and Recovery for Full Range of Hydrogen Sensor Based on Relevance Vector Machine

In order to improve the reliability of hydrogen sensor, a novel strategy for full range of hydrogen sensor fault detection and recovery is proposed in this paper. Three kinds of sensors are integrated to realize the measurement for full range of hydrogen concentration based on relevance vector machine (RVM). Failure detection of hydrogen sensor is carried out by using the variance detection method. When a sensor fault is detected, the other fault-free sensors can recover the fault data in real-time by using RVM predictor accounting for the relevance of sensor data. Analysis, together with both simulated and experimental results, a full-range hydrogen detection and hydrogen sensor self-validating experiment is presented to demonstrate that the proposed strategy is superior at accuracy and runtime compared with the conventional methods. Results show that the proposed methodology provides a better solution to the full range of hydrogen detection and the reliability improvement of hydrogen sensor.     

应用于姿态敏感器的SORNN微小故障诊断方法

为实现空间外部干扰和测量噪声存在情况下,航天器姿态敏感器微小故障的有效检测,以及方位敏感器和惯性敏感器之间的故障隔离,提出了一种基于自组织循环神经网络(self-organizing recurrent neural network, SORNN)的微小故障诊断方法。首先,设计了SORNN模型,包括网络结构自组织算法、终止条件和调整条件,实现对网络隐藏层神经元数量和循环记忆深度的自适应调节,用以提升网络的拟合性能。然后,针对姿态运动学子系统设计了基于SORNN的干扰观测器,给出网络权值更新算法并证明了状态估计误差的收敛性。将系统输出估计误差通过低通滤波器以抑制星敏感器测量噪声,推导更严格的残差和检测阈值进而提高对微小故障的检测能力。最后,针对姿态动力学子系统设计了故障隔离观测器,通过干扰解耦和干扰观测器的补偿消除未知扰动和噪声对残差的影响,利用动力学和运动学的冗余关系解决了两类敏感器故障的隔离问题。仿真结果表明,验证了所提方法对扰动和噪声掩盖下的星敏感器和陀螺微小故障检测与隔离的有效性。     

一种基于BP神经网络的传感器故障诊断方案

针对传感器故障,提出了一种BP网络和修正的Bayes分类算法(MB)的集成故障诊断方法.用BP神经网络建立传感器故障模型,对系统的状态和故障参数进行在线估计,再用修正的Bayes算法进行传感器故障的在线检测、分离和估计.对连续搅拌釜式反应器(CSTR)的仿真结果表明,该集成故障诊断方法能够对传感器故障进行快速准确的分离和估计,并对传感器故障具有容错性.     

基于故障树的火电厂脱硝系统故障分析方法

脱硝系统在火电厂运行过程中扮演着重要角色, 系统的正常运行以及故障预防措施的制定对火电厂正常工作具有重要意义。提出了一种基于故障树的火电厂脱硝系统故障分析方法。通过分析脱硝系统的工作原理确定全 部故障事件, 并根据故障事件之间的逻辑关系建立脱硝系统故障树, 通过定性和定量分析确定系统的薄弱环节, 对火电厂脱硝系统的各种故障制定应对方案, 为企业安全生产提供指导意见。     

基于RS-RBF的燃气轮机控制系统传感器故障诊断研究

燃气轮机控制系统在电厂安全运行中起到重要作用,而传感器作为控制系统中的测量信号装置,其安全性至关重要,因此开展对燃气轮机控制系统传感器的故障诊断研究具有重要意义。在传感器故障诊断中需要从故障信息中提取出有效的诊断规则。为了解决这一问题提出了一种改进离散化方法对数据进行预处理,结合粗糙集(RS)和径向基(RBF)神经网络对传感器进行故障诊断研究。实验结果表明,该方法减少了燃气轮机控制系统传感器故障类型的误判率。