基于KECA-IGKDE的离心式冷水机组故障检测

针对制冷系统中变量之间存在高度非线性、过程数据具有非高斯的特点,提出了一种基于核熵成分分析(KECA)和改进灰狼算法优化的核密度估计(IGWO-KDE,IGKDE)故障检测方法。该方法首先采用KECA提取正常工况下历史数据的主元矩阵并求解正常数据的均值向量。将监测的过程数据经过KECA投影后与正常工况形成明显的角度结构,故提出Cauchy-Schwarz(CS)监测统计量。然后使用KDE确定统计监测控制限。为了克服经验选取KDE平滑因子的难度,采用IGWO进行快速精确地全局寻优。最后将所提出的算法应用于离心式冷水机组仿真,结果表明该方法具有更好的检测性能。     

自动编码器与典型相关分析方法联合驱动的工业过程质量监测

本文将自动编码器(AE)特征提取方法和典型相关分析方法(CCA)有机结合,提出了一种联合驱动的质量监测模型及其质量相关的故障检测方法.首先,利用AE算法对输入样本进行无监督自动学习和重构,实现数据的特征提取和降维;其次,利用CCA算法实现特征与质量变量关联最大化,建立质量变量与特征变量的关系模型;根据监测模型的潜结构投影,构建T2统计量和SPE统计量及其相应控制限.将提出的方法用于分析带钢热连轧过程现场实际数据,结果表明,基于自动编码器-典型相关分析方法(AE-CCA)的质量监测方法能够准确的检测出故障,并且检测效果优于传统的核典型相关分析(KCCA)算法.     

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MKECA间歇过程多阶段故障监测方法研究

针对间歇过程的非线性、多阶段性等特点,提出一种基于核熵成分分析(KECA)的间歇过程多阶段故障监测方法。首先将过程数据通过KECA核映射到高维特征空间内,依据核熵与角结构相似度对间歇过程进行阶段划分;接着引入沿批次-变量的三维数据向二维数据展开方式,并在每个子阶段建立多向核熵成分分析(MKECA)非线性故障监测离线模型,采用新型基于角结构相似度计算统计量控制限,无需假设过程变量服从高斯分布;最后,计算监测采样点角结构相似度统计量实现间歇过程的多阶段在线故障监测。本文利用青霉素仿真实验数据进行仿真实验,验证了该方法的可行性与有效性。     

基于自适应混合核典型变量分析的工业过程质量相关故障检测

质量相关故障检测技术是保障工业过程安全顺行和质量稳定的重要手段,是当前流程工业过程控制领域的研究热点.针对工业过程的非线性与动态特性及其质量相关故障的时变特性,提出一种基于自适应混合核典型变量分析(AMKCVA)的质量相关故障检测方法.该方法通过设计合理的混合核函数和自适应监测统计量,提升了工业过程质量相关故障的检测性...     

基于递推规范变量残差和核主元分析的微小故障检测

微小故障由于故障征兆不明显从而很难在故障发生早期对其进行检测. 针对该问题, 本文提出了一种基于递推规范变量残差和核主元分析(RCVD–KPCA)的微小故障检测方法. 首先构造规范变量残差, 从中提取数据的线性特征. 利用指数加权滑动平均法对规范变量残差进行递推滤波处理, 提高规范变量残差对微小故障的敏感程度;然后使用KPCA提取规范变量残差中的非线性主成分作为非线性特征, 根据提取的特征提出了两个新的故障检测统计量; 此外, 利用核密度估计确定故障检测统计量的控制限. 由于同时提取了过程数据的线性和非线性特征, 有效地提高了非线性动态过程中微小故障的可检测性. 以闭环连续搅拌釜式反应器过程为例进行了仿真分析, 仿真结果表明本文所提方法具有较好的故障检测性能.     

基于AC-CNN模型的过程故障识别

针对复杂工业过程中故障变量特征提取效率低,分类数量较少且故障识别率较低等问题,提出基于非对称卷积核(asymmetric convolutions)的卷积神经网络(CNN)的工业过程故障识别模型。采取故障变量重构对故障数据进行预处理;引入非对称卷积核模型对重构后的输入故障变量进行特征提取,提高特征提取的效率;根据CNN模型改进得到具有AC架构的AC-CNN模型,识别TE(田纳西-伊斯曼)过程故障的在线测试集样本,实验结果表明,所提方法对TE过程故障数据集的识别效果明显,验证了模型的有效性和优异性。     

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MW-KECA与变量贡献SVDD的间歇过程故障检测系统

针对间歇过程的非线性和时变性特点以及故障易误报的问题,提出了一种将移动窗-核熵成分分析(MW-KECA)故障监测与基于变量贡献的支持向量数据描述(SVDD)故障诊断集合而成的故障检测系统。MW-KECA方法构建局部模型能有效处理数据的时变性,同时保留KECA优秀的非线性处理能力。故障诊断中以各变量对CS统计量-向量间角度关系指标的贡献作为输入数据来构建SVDD分类器,相较于原始数据,故障贡献能够突出同类相似信息和异类差异信息。通过青霉素发酵仿真实验,验证了检测系统在监测准确性与故障识别率上都有良好效果,证明了该检测系统的有效性。     

基于KVAE-OCCA的质量相关故障检测方法及应用

为了解决非线性过程质量相关故障检测问题,提出了一种名为关键变量自编码器-正交典型相关分析(KVAE-OCCA)的方法.首先,为了挑选出与质量变量具有相关性的过程变量,计算过程变量和质量变量的互信息,选择具有较大互信息的过程变量.然后,利用自编码器对选择出的过程变量进行无监督学习,实现特征提取和降维.其次,利用正交典型相...     

Weighted part mutual information related component analysis for quality-related process monitoring

Industrial products have become the core of today’s highly competitive international society, but quality-related faults happened in practical industrial processes heavily affect product quality. In this paper, we will consider the problem of the detection of quality-related faults. Inspired by part mutual information (PMI), we develop a process monitoring method called weighted PMI based related component analysis (WPMI-RCA). Firstly, combining PMI and Bayesian weighted fusion, process variables strongly related to quality are selected with the supervision of multi-quality indicators. Then, the selected variables are modeled by related component analysis (RCA) and thus orthogonal related components (RCs) containing the main information of quality variations can be obtained. The process data space can be divided into two subspaces and the monitoring statistics are developed for the quality-related fault detection. Finally, the validity of WPMI-RCA is demonstrated by a numerical example and the benchmark Tennessee Eastman process (TEP). The proposed method can improve the detection rates of quality-related faults and significantly reduce the nuisance detections. It may be helpful to improve the management efficiency for practical industrial processes.     

Monitoring of quality-relevant and quality-irrelevant blocks with characteristic-similar variables based on self-organizing map and kernel approaches

Variables in quality-related process monitoring can be divided into quality-relevant and quality-irrelevant groups depending on the correlation with the quality indicator. These variables can also be separated into multiple sets in which variables are closely relevant to one another because of the interdependence of the process. Block monitoring with reasonable variable partition and reliable model can distinguish quality-related and quality-unrelated faults and improve monitoring performance. A block monitoring method based on self-organizing map (SOM) and kernel approaches is proposed. After collecting and normalizing the sample data including process variables and quality ones, the data matrix is transposed. The inverted samples are used as the input of SOM, and variables with the same behavioral characteristic and a close correlation are topologically mapped in a similar area. Accordingly, samples can be visually blocked into quality-relevant and independent subspaces. Given the nonlinearity of industrial process, kernel partial least squares (KPLS) and kernel principal component analysis (KPCA) are employed to monitor the two types of blocks. The information provided by fault detection can reveal the effects on quality indicators and the location of faults. Finally, the effectiveness of SOM-KPLS/KPCA is evaluated using a numerical example and the Tennessee–Eastman process.     

基于改进高效偏最小二乘的质量相关故障诊断

高效偏最小二乘(EPLS)作为偏最小二乘(PLS)的扩展算法之一, 在质量相关故障检测中取得了良好的应用 效果. 然而, 研究发现当系统中存在一些与产品质量无关的信息时会导致EPLS的检测率降低, 影响工业生产安全及 效益. 同时, 传统的基于贡献图的故障诊断方法在无故障时输入变量会对故障检测指标的贡献值不均等, 从而影响 故障诊断效果. 针对上述问题, 本文提出了一种改进高效偏最小二乘(IEPLS)的质量相关故障诊断方法. 所提方法首 先用正常数据建立IEPLS算法模型, 利用获得的模型参数对过程变量进行空间分解. 然后在分解后的空间中定义局 部信息增量均值和局部动态阈值, 结合故障判据进行故障检测. 当故障发生后, 利用每个变量的新息矩阵计算对故 障总体的新息贡献率, 根据各个变量新息贡献率大小实现对故障变量的定位. 最后, 使用田纳西伊士曼过程(TEP)对 算法性能进行了验证.     

基于偏最小二乘的质量相关多模态故障检测技术

偏最小二乘(PLS)算法通常适用于稳定工况下的工业过程故障检测.在日趋复杂的工业过程中,过程数据通常不满足正态分布,存在非线性、动态、多模态等问题.针对多模态问题,已有大量模态区分方法可用,但这些方法都未考虑质量相关因素,因此并不适用于质量相关类算法.为此,针对质量相关类算法提出新的质量相关模态区分规则,该规则通过核模糊聚类对添加线性递增时间变量的数据在时间方向上进行初步的聚类,再通过质量相关指标进一步准确划分模态;同时,过程复杂化导致静态控制限不能满足故障检测的需求,现存的动态控制限适用范围具有一定的局限性,可通过改进动态控制限将其推广为广义动态综合控制限.实验中,先是基于两种非线性偏最小二乘模型将新方法应用于青霉素发酵过程故障检测中,极大减少了漏报率和误报率.最后,通过数值仿真实验验证了添加线性递增时间变量的合理性.     

基于局部信息增量与MPLS的质量相关故障检测方法

在工业生产中,对系统进行故障检测具有十分重要的作用.改进的偏最小二乘(modified partial least squares,MPLS)是在PLS基础上提出的一种扩展算法,在质量相关故障检测中具有良好的检测效果,但当测试数据中含有质量无关故障时,MPLS算法漏报率较高.另外,MPLS算法的阈值为固定值会导致其误报率增加,这些问题会对工业过程监控产生较大影响.鉴于此,提出一种基于局部信息增量与MPLS的质量相关故障检测方法(local information increment-MPLS,LII-MPLS).在MPLS基础上,通过使用局部信息增量技术对测试数据进行实时更新检测后,质量相关故障的漏报率明显降低.同时,过程复杂化导致静态控制限不能满足故障检测的需求,现存的动态控制限适用范围具有一定局限性,因此改进静态控制限将其推广为局部动态阈值.最后,通过田纳西伊士曼过程(Tennessee Eastman process,TEP)仿真实验验证了所提出算法的有效性.