基于因子分析的回转窑故障诊断

针对回转窑系统过程变量繁多、变量间耦合强等特点,采用因子分析(Factory Analysis,FA)方法建立过程监控模型。FA是在主元分析(Principal Component Analysis,PCA)的基础上,将残差空间进一步地描述为特殊因子空间,使得FA中残差空间监控统计量物理意义明确。将某水泥厂实际生产数据用于算法的离线验证,表明FA能很好地检测出系统故障和异常,相比PCA而言FA存在更低的漏报率;经过旋转后的公共因子物理意义明确,可为故障诊断提供更多准确信息。     

一种基于可预测元分析的故障诊断方法

将可预测元分析(Fore CA)引入到过程监控中,通过选取合适的可预测元并构造能够反映系统运行状况的统计量对在线数据进行统计监控,克服了主元分析(PCA)方法假设数据服从高斯分布且无法反映系统动态时序特性的缺陷,能很好地描述工业过程的动态特性并进行故障检测。TE模型上的仿真结果证明了Fore CA在工业过程监控中的可行性与有效性。     

基于局部信息的LNS-PCA的多模态过程故障监测

为了满足各种不同的企业生产需求，在实际化工过程中往往包括许多不同的运行模态。因为涉及内部各种反应的复杂性和微妙性，且各个环节相互联系，导致化工过程数据呈现高斯与非高斯数据相互混合的情况，传统多元统计监控(Multivariate Statistical Process Monitoring, MSPM)在多模态数据故障检测领域精确度较低。因此进行准确的复杂化工过程故障检测仍然是一大难题。针对这一类问题，本工作提出了一种新的基于局部信息的近邻标准化和主成分分析(Local Information Local Neighbor Standardization and Principal Component Analysis, LLNS-PCA)的方法建立高精确度的故障诊断模型。首先对样本利用高斯混合模型(Gaussian Mixture Model, GMM)方法分解成多个局部样本，应用每一个局部样本的平均值和方差进行近邻标准化，再使用主元分析进行故障监测。基于PCA监测模型，采用T2和SPE两种监测统计量对多模态过程进行监测。最后通过数值例子和青霉素生产过程验证其有效性。结果表明，相对于...     

基于多向核熵成分分析的微生物发酵过程多阶段划分及故障监测

针对多向核主元分析法(MKPCA)在监控动态非线性和多模态间歇生产过程故障的不足,提出一种基于物理信息熵的多阶段多向核熵成分分析(multiple sub-stage multi-way kernel entropy component analysis,MSMKECA)的新方法用于故障监控。该方法首先通过核映射将数据从低维空间映射到高维特征空间;其次在高维特征空间依据熵结构信息计算每个时刻数据矩阵的相似度指标进行阶段划分,将间歇过程划分为各稳定阶段和各过渡阶段,并在过渡阶段用时变的协方差代替固定协方差;最后在划分的阶段里分别建立模型进行间歇过程监测解决间歇过程的动态非线性和多阶段特性;将所提出的算法应用于青霉素发酵仿真系统的在线监测,验证了该方法的有效性。     

基于非负矩阵分解的多模态过程故障监测方法

针对传统的多元统计故障监测方法往往需要假设测量数据服从单一高斯分布的不足,提出了一种基于非负矩阵分解(NMF)的多模态故障监测方法。首先使用标准的NMF算法对训练集数据进行聚类,将多模态数据划分到各个模态中;然后使用稀疏性正交非负矩阵分解(SONMF)算法对各模态分别建模,同时构造监控统计量进行故障监测。将提出的基于非负矩阵分解的多模态故障监测方法应用于数值例子和TE过程的仿真结果表明,该方法能够及时有效地检测出多模态过程中的故障。     

基于PCA混合模型的多工况过程监控

针对传统多元统计故障检测方法大多假设测量数据服从单一高斯分布的不足,提出了一种基于PCA(principal component analysis)混合模型的多工况过程监测方法。首先通过直接对混合模型的各高斯成分的协方差进行PCA降维变换,使得协方差阵对角化,既减少了运算量又避免了变量相关而导致的奇异性问题;同时采用BYY增量EM算法自动获取混合模型的最佳混合分量数目,避免了常规EM算法的不足。所得的混合模型,除包括均值、协方差和先验概率等参数外,还包括了PCA载荷阵,即对每个混合元建立了PCA模型。然后给出了统计量定义,实现对多工况过程的故障检测。数值例子和TE过程的应用表明,本文提出的方法无需过程先验知识,能自动获取工况数目、精确估计各个工况的统计特性,并更准确及时地检测出多工况过程的各种故障。     

基于非负矩阵分解的多模态过程故障监测方法

针对传统的多元统计故障监测方法往往需要假设测量数据服从单一高斯分布的不足,提出了一种基于非负矩阵分解(NMF)的多模态故障监测方法。首先使用标准的NMF算法对训练集数据进行聚类,将多模态数据划分到各个模态中;然后使用稀疏性正交非负矩阵分解(SONMF)算法对各模态分别建模,同时构造监控统计量进行故障监测。将提出的基于非负矩阵分解的多模态故障监测方法应用于数值例子和TE过程的仿真结果表明,该方法能够及时有效地检测出多模态过程中的故障。     

基于全变量信息的子空间监控方法

实际化工过程采集得到的数据往往维度较高,直接建模比较复杂。主元分析(principal component analysis,PCA)方法可以提取原始数据主要特征,得到低维数据,但传统的PCA过程监控方法仅保留了方差较大的主元,会造成信息缺失,这将大大影响过程监控性能。针对这一问题,提出了一种新的基于全变量信息(full variable information,FVI)的子空间监控方法。首先,依据每个变量与主元空间(principal component subspace,PCS)和残差空间(residual subspace,RS)相似性的高低,将原始数据空间划分为3个维度较低的子空间,3个子空间保存了全部过程变量,可以更充分地利用过程信息。其次,在每个子空间中,分别建立监控模型,并利用贝叶斯推断整合子空间的监控结果。最后,通过数值仿真及Tennessee Eastman(TE)过程仿真研究验证FVI方法的有效性。     

鲁棒PPLS模型及其在过程监控中的应用

概率偏最小二乘(PPLS)模型建立的条件是主元和误差都服从高斯分布,但是高斯分布的期望和方差容易受到离群点的影响,导致模型的鲁棒性较差。针对PPLS模型的不足,提出一种鲁棒概率偏最小二乘(RPPLS)方法,用拖尾更宽的T分布代替高斯分布,通过调整自由度参数,使模型对含离群点数据的拟合效果更好。更进一步,将RPPLS引入过程监控中,提出GT2和GSPE两个监控指标,分别监控过程的受控状态以及模型关系的变化。PPLS和RPPLS在TE过程监控的应用结果表明RPPLS不仅能更准确检测故障的产生,而且能更有效降低故障的漏报率。     

Nonlinear dynamic process monitoring based on dynamic kernel PCA

Nonlinear dynamic process monitoring based on dynamic kernel principal component analysis (DKPCA) is proposed. The kernel functions used in kernel PCA (KPCA) are profitable for capturing nonlinear property of processes and the time-lagged data extension is suitable for describing dynamic characteristic of processes. DKPCA enables us to monitor an arbitrary process with severe nonlinearity and (or) dynamics. In this respect, it is a generalized concept of multivariate statistical monitoring approaches. A unified monitoring index combined T² with SPE is also suggested. The proposed monitoring method based on DKPCA is applied to a simulated nonlinear process and a wastewater treatment process. A comparison study of PCA, dynamic PCA, KPCA, and DKPCA is investigated in terms of type I error rate, type II error rate, and detection delay. The monitoring results confirm that the proposed methodology results in the best monitoring performance, i.e., low missing alarms and small detection delay, for all the faults.     

Enhanced statistical analysis of nonlinear processes using KPCA, KICA and SVM

In this paper, some drawbacks of original kernel independent component analysis (KICA) and support vector machine (SVM) algorithms are analyzed for the purpose of multivariate statistical process monitoring (MSPM). When the measured variables follow non-Gaussian distribution, KICA provides more meaningful knowledge by extracting higher-order statistics compared with PCA and kernel principal component analysis (KPCA). However, in real industrial processes, process variables are complex and are not absolutely Gaussian or non-Gaussian distributed. Any single technique is not sufficient to extract the hidden information. Hence, both KICA (non-Gaussion part) and KPCA (Gaussion part) are used for fault detection in this paper, which combine the advantages of KPCA and KICA to develop a nonlinear dynamic approach to detect fault online compared to other nonlinear approaches. Because SVM is available for classifying faults, it is used to diagnose fault in this paper.For above mentioned kernel methods, the calculation of eigenvectors and support vectors will be time consuming when the sample number becomes large. Hence, some dissimilar data are analyzed in the input and feature space.The proposed approach is applied to the fault detection and diagnosis in the Tennessee Eastman process. Application of the proposed approach indicates that proposed method effectively captures the nonlinear dynamics in the process variables.     

基于多动态核聚类的间歇过程在线监控

针对传统的多元统计监测方法不能有效检测工业过程中由于初始条件波动较大所引发的弱故障问题,提出一种基于多动态核聚类的核主元分析(DKCPCA)监控策略,实现多阶段间歇过程的弱故障在线监控.该方法首先针对过程中各阶段每一批次数据结合自回归移动平均时间序列模型(ARMAX)和核主成分分析(KPCA)方法分别建立动态核PCA模型,然后根据各批次模型间载荷的相似性采用分层次聚类方法进行聚类,最后将聚在一起的批次数据进行展开重新再建立动态核PCA模型,随着聚类数目的不同从而建立多个类模型.当在线应用时给出了多模型选择策略,以提高监测精度.将此方法应用于青霉素发酵过程的监控中,监测结果表明此方法取得了比DKPCA和MKPCA更好的监测性能.     

基于WPRKPCA的非线性化工过程微小故障检测

传统核主元分析法（KPCA）是一种广泛应用的非线性化工过程故障检测方法,但是其未充分利用过程数据的概率分布信息,往往难以有效检测过程中的微小故障。针对传统KPCA方法的局限性,本文提出了一种基于加权概率相关核主元分析（WPRKPCA）的非线性化工过程微小故障检测方法。与传统KPCA方法监控核成分的变化不同,该方法利用Kullback Leibler散度（KLD）度量核成分的概率分布变化,进而建立基于KLD成分的统计监控模型,以充分挖掘过程数据所包含的概率信息。进一步考虑到不同KLD成分承载故障信息的差异性,该方法设计了一种基于核密度估计的指数加权策略,根据KLD成分描述故障信息程度的差异分配相应的权值,以加强监控模型对微小故障检测的灵敏性。在一个数值例子和连续搅拌反应器（CSTR）系统上的仿真结果表明,本文所提方法具有比传统KPCA方法更好的微小故障检测性能。     

Nonlinear process monitoring using kernel principal component analysis

In this paper, a new nonlinear process monitoring technique based on kernel principal component analysis (KPCA) is developed. KPCA has emerged in recent years as a promising method for tackling nonlinear systems. KPCA can efficiently compute principal components in high-dimensional feature spaces by means of integral operators and nonlinear kernel functions. The basic idea of KPCA is to first map the input space into a feature space via nonlinear mapping and then to compute the principal components in that feature space. In comparison to other nonlinear principal component analysis (PCA) techniques, KPCA requires only the solution of an eigenvalue problem and does not entail any nonlinear optimization. In addition, the number of principal components need not be specified prior to modeling. In this paper, a simple approach to calculating the squared prediction error (SPE) in the feature space is also suggested. Based on T² and SPE charts in the feature space, KPCA was applied to fault detection in two example systems: a simple multivariate process and the simulation benchmark of the biological wastewater treatment process. The proposed approach effectively captured the nonlinear relationship in the process variables and showed superior process monitoring performance compared to linear PCA.     

基于特征样本核主元分析的TE过程快速故障辨识方法

核主元分析（KPCA）在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。针对上述问题,提出了一种基于特征样本核主元分析方法（FS-KPCA）非线性故障辨识方法。首先采用特征样本（FS）提取方法有效解决核矩阵K的计算量问题。然后利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T²和SPE的贡献率,利用每个变量对监控统计量贡献程度的不同,可以辨识出故障源。将上述方法应用到TE过程,仿真结果表明该方法不仅能够有效辨识故障,而且提高了故障检测和辨识速度。     

Improved process monitoring using the CUSUM and EWMA-based multiscale PCA fault detection framework

Process monitoring techniques are of paramount importance in the chemical industry to improve both the product quality and plant safety. Small or incipient irregularities may lead to severe degradation in complex chemical processes, and the conventional process monitoring techniques cannot detect these irregularities. In this study to improve the performance of monitoring, an online multiscale fault detection approach is proposed by integrating multiscale principal component analysis (MSPCA) with cumulative sum (CUSUM) and exponentially weighted moving average (EWMA) control charts. The new Hotelling's T² and square prediction error (SPE) based fault detection indices are proposed to detect the incipient irregularities in the process data. The performance of the proposed fault detection methods was tested for simulated data obtained from the CSTR system and compared to that of conventional PCA and MSPCA based methods. The results demonstrate that the proposed EWMA based MSPCA fault detection method was successful in detecting the faults. Moreover, a comparative study shows that the SPE-EWMA monitoring index exhibits a better performance with lower values of missed detections ranging from 0% to 0.80% and false alarms ranging from 0% to 21.20%.     

一种基于改进MPCA的间歇过程监控与故障诊断方法

针对基于不同展开方式的多向主元分析(MPCA)方法在线应用时各自存在的缺陷,提出一种改进的基于变量展开的MPCA方法,实现间歇过程的在线监控与故障诊断。该方法采用随时间更新的主元协方差代替固定的主元协方差进行T²统计量的计算,充分考虑了主元得分向量的动态特性;同时引入主元显著相关变量残差统计量,避免SPE统计量的保守性,且该统计量能提供更详细的过程变化信息,对正常工况改变或过程故障引起的T²监控图变化有一定的识别能力;最后提出一种随时间变化的贡献图计算方法用于在线故障诊断。该方法和MPCA方法的监控性能在一个青霉素发酵仿真系统上进行了比较。仿真结果表明：该方法具有较好的监控性能,能及时检测出过程存在的故障,且具有一定的故障识别和诊断能力。     

基于RISOMAP的非线性过程故障检测方法

化工过程监控数据存在非线性特点,且过程常常运行于多个模态,针对该类问题,提出基于相对等距离映射(relative isometric mapping, RISOMAP)的过程故障检测方法,该方法采用相对测地距离构造高维空间的距离关系阵,运用多维尺度变换(MDS)计算其低维嵌入输出,从高维数据中提取子流形信息和残差信息分别构造监控统计量进行故障检测,同时运用核ridge回归在线计算测试数据的低维输出,核矩阵通过综合相似度进行更新。数值算例和TE过程的仿真结果表明,RISOMAP方法可以更为有效地实施故障检测,故障检测的灵敏度较高,同时也为基于流形学习的多模态过程故障检测的实施提供了一条思路。     

基于加权统计特征KICA的故障检测与诊断方法

针对核独立元分析（kernel independent component analysis, KICA）在非线性动态过程中对微小故障检测率低的问题,提出一种基于加权统计特征KICA（weighted statistical feature KICA, WSFKICA）的故障检测与诊断方法。首先,利用KICA从原始数据中捕获独立元数据和残差数据;然后,通过加权统计特征和滑动窗口获取改进统计特征数据集,并由此数据集构建统计量进行故障检测;最后,利用基于变量贡献图的方法进行过程故障诊断。与传统KICA统计量相比,所提方法的统计量对非线性动态过程中的微小故障具有更高的故障检测性能。应用该方法对一个数值例子和田纳西-伊斯曼（Tennessee-Eastman, TE）过程进行仿真测试,仿真结果显示出所提方法相对于独立元分析（ICA）、KICA、核主成分分析（kernel principal component analysis, KPCA）和统计局部核主成分分析（statistical local kernel principal component analysis, SLKPCA）检测的优势。