多元指数加权移动平均主元分析的微小故障检测

主元分析(principal component analysis,PCA)是一种有效的数据分析方法,在故障诊断与状态监测方面已得到广泛应用.多元指数加权移动平均–主元分析(multivariate exponentially weighted moving average principal component analysis,MEWMA–PCA)方法用于解决PCA不能有效检出微小故障的问题.本文深入研究了MEWMA–PCA中EWMA影响主元分析进行故障检测的机制,导出了MEWMA–PCA可检出微小故障的原因.本文确定了MEWMA–PCA中遗忘因子λ、单传感器故障幅值和迟延时间三者的关系,并进行了数值仿真和火电厂磨煤机组运行状态的仿真实验.实验结果验证了MEWMA–PCA中EWMA提高PCA的监测性能的机制,并给出了根据系统实际要求来选取合适的遗忘因子值,从而在规定的时间内检出微小故障的实例.     

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...     

基于改进核局部保持投影的故障检测方法研究

针对传统核局部保持投影方法存在不能全面地提取数据特征和故障检测率低的局限性,提出一种基于改进核局部保持投影（MKLPP）的故障检测方法。将核主元分析方法融入到核局部保持投影中,使得到的数据特征不仅包括原始数据的局部信息,而且包含数据的全局信息;引入特征向量缩放,使得低维数据变化波动更加稳定,提高故障检测率。针对MKLPP方法对微小故障不敏感的问题,将多元指数加权移动平均（MEWMA）运用到MKLPP中,提出一种MEWMA-MKLPP故障检测方法。对上述两种方法分别构造T²和SPE统计量进行故障检测。采用TE过程数据进行仿真实验,实验结果表明所提方法可以取得较好的检测效果。     

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。     

基于动态主元分析法的传感器故障检测

提出了一种基于动态主元分析的传感器故障检测方法.利用数据矩阵前t时刻和当前时刻的数据,建立多变量多时刻的自回归统计模型.计算主元数据矩阵,建立动态主元模型.以测量速度最慢的传感器的测量周期为统一采样周期,4个连续采样周期为一个诊断周期,建立动态三维测量矩阵,采用残差的平方预报误差的指数加权移动平均(Squared prediction error-Exponentially weighted moving average,SPE-EWMA)模型检测传感器故障.在只存在传感器故障的前提下,模拟发动机开车过程中几种典型的渐变性故障和突变性故障,实验结果表明,算法实时跟踪了各种检测指标的变化,准确检测出故障传感器.     

单向阀的小波包核主元分析故障检测

高压活塞隔膜泵是管道输送的最重要动力源,为了解决其内部单向阀故障的在线监测问题,提出一种基于声发射信号的小波包时频及核主元分析(KPCA)的检测方法。首先采用小波包对声发射数据进行处理,求出信号各频率段的能量值;然后采用KPCA方法对能量值在高维空间进行分解建立特征模型,利用特征模型中的SPE和T2统计量对故障信号进行检测;最后对GEHO型隔膜泵单向阀的声发射数据进行实验验证。通过与主元分析方法的比对,表明所提方法能够快速、准确地对单向阀故障进行在线检测,在高压活塞隔膜泵无损故障检测领域具有良好的应用前景。     

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。     

基于稀疏动态主元分析的故障检测方法

本文将动态主元分析(Dynamic Principal Component Analysis, DPCA)和稀疏主元分析(Sparse Principal Component Analysis, SPCA)两种方法结合起来,提出一种新的稀疏动态主元分析方法,并将其用于工业过程的故障检测。所提出的稀疏动态主元分析方法通过对过程数据的动态增广矩阵进行稀疏主元的求解,获取稀疏的负荷向量,该方法既考虑到了过程数据的动态特性,又降低了过程数据的冗余度,同时降低了计算负荷,非常适合工业过程的实时故障检测。此外,本文还提出了一种前向选择算法,用于确定稀疏主元中的非零负荷数目。最后,将所提出方法应用于数值例子和田纳西-伊斯曼过程,并将与主元分析、动态主元分析和稀疏主元分析等三种方法相比较,表明所提方法可以获得更好的故障检测效果。     

融合概率信息与稀疏规范变量分析的化工过程微小故障检测

早期微小故障往往表现为数据分布变化不明显, 且高维数据下变量共线性的存在会导致样本协方差矩阵高度病态甚至奇异, 因此传统基于规范变量分析的方法面临难以求解协方差矩阵的逆且无法及时检测到微小故障的难题. 针对上述问题, 提出一种融合概率信息与稀疏规范变量分析(PSCVA)的微小故障检测方法. 首先, 在求解规范变量时施加L₀约束, 利用混合整数二次优化方法对数据矩阵进行分解以获得稀疏规范变量, 增强变量间潜在关系的直观理解并有助于发现关键故障变量; 其次, 利用正常阶段获得的稀疏规范变量构造规范向量、残差向量和规范变量残差3种统计量, 进一步考虑正常样本与故障样本之间的概率分布差异, 引入Wasserstein距离构造概率化的故障检测指标, 以提高微小故障的检测性能; 接着, 采用核密度估计确定非高斯分布数据下统计指标的控制限; 最后, 通过田纳西伊斯曼(TE)化工过程和连续搅拌反应釜(CSTR)系统的案例研究结果表明, 相较于CVDA和PCVDA, 在TE过程中所提出方法的检测率分别提高27.53 %和10.68 %, 在CSTR系统的早期微小故障检测中分别提前106和60个样本预警到故障.     

基于自联想核回归的带离群值化工过程故障检测

基于数据驱动的故障检测模型通常要求训练数据必须是正常操作条件下的测量值. 然而在实际工业生产过程中, 即使在正常工况下, 数据集中也难以避免存在离群值. 此时若仍采用传统的基于多元统计分析的方法, 其监测模型的控制限会受到严重影响, 造成故障漏报. 因此, 为了确保当训练数据包含离群值时, 监测模型仍然呈现较好的故障检测效果, 本文提出了一种基于自联想核回归的故障检测方法. 首先基于最小化散度的鲁棒预白化算法对训练集进行白化计算, 消除变量之间相关性对样本相似度度量的影响. 然后通过自联想核回归算法重构正常工况下的验证数据, 根据重构误差建立模型监测指标. 为了消除离群值对故障样本重构的影响, 构造截断函数来避免离群样本参与相似故障数据的重构, 并对所有参与构建Q统计量的残差变量基于指数加权滑动平均方法自适应加权,得到新的监测统计量. 将该方法运用于田纳西–伊斯曼过程并与其他方法进行比较, 验证了本文所提故障检测算法的有效性.     

基于自联想核回归的带离群值化工过程故障检测EI北大核心CSCD

基于数据驱动的故障检测模型通常要求训练数据必须是正常操作条件下的测量值.然而在实际工业生产过程中,即使在正常工况下,数据集中也难以避免存在离群值.此时若仍采用传统的基于多元统计分析的方法,其监测模型的控制限会受到严重影响,造成故障漏报.因此,为了确保当训练数据包含离群值时,监测模型仍然呈现较好的故障检测效果,本文提出了一种基于自联想核回归的故障检测方法.首先基于最小化β散度的鲁棒预白化算法对训练集进行白化计算,消除变量之间相关性对样本相似度度量的影响.然后通过自联想核回归算法重构正常工况下的验证数据,根据重构误差建立模型监测指标.为了消除离群值对故障样本重构的影响,构造截断函数来避免离群样本参与相似故障数据的重构,并对所有参与构建Q统计量的残差变量基于指数加权滑动平均方法自适应加权,得到新的监测统计量.将该方法运用于田纳西–伊斯曼过程并与其他方法进行比较,验证了本文所提故障检测算法的有效性.     

线性随机系统的微小传感器故障检测

针对一类线性随机系统,研究了其微小传感器故障检测问题.基于Kalman滤波算法构造状态估计器,利用移动加权平均方法设计残差与评价函数.根据非中心卡方分布的性质,分析了故障幅值、窗口长度、误报率和漏报率之间的关系.采用不等式技术,得到了确保在统计意义下微小故障可检测性的最优权值和最小窗口长度.最后,通过一个仿真实例验证了所提方法的有效性.     

基于MEWMA的自适应KLPP的非线性过程故障检测

针对非线性动态过程中的微小扰动问题,本文提出一种基于多元指数加权移动平均(MEWMA)的自适应核局部保持投影(KLPP)的非线性过程故障检测算法.首先,构造一个具有动态特性的数据矩阵,并引入核函数,执行KLPP算法;其次,白化KLPP提取的特征分量,并采用MEWMA预测非线性动态过程中的均值漂移;最后,将估计的均值漂移与白化后的特征分量相结合,构造一个自适应监控统计量,并利用核密度估计确定其控制限.将所提出的监测方案应用于一个非线性数值例子和(TE)过程进行仿真分析,仿真结果表明,该方法具有可行性和优越性.     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

SS-DEWMA图多目标优化及在输出传感器故障检测中的应用

针对平方和双指数加权移动平均(SS-DEWMA)图难以选取合适参数同时满足数据监控的多个指标最优的问题,提出一种SS-DEWMA图的多目标优化(MO-SS-DEWMA图)数据监控方法,并将该方法用于非线性系统传感器的故障检测.首先,采用复合嵌入式均方根容积卡尔曼滤波器(CESCKF)对系统状态进行估计,并产生残差;其次...