基于故障重构的故障识别

针对基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测法,尽管不依赖于精确的数学模型,然而却限制了其在故障诊断方面的能力问题,在故障重构技术的基础上,研究了基于统计量的故障诊断问题,获得了主元子空间中故障可重构性的理论条件,提出了故障识别指标和诊断算法.通过对双效蒸发过程...     

基于主元子空间故障重构技术的故障诊断研究

针对基于主元分析(PCA)的统计性能监控法,由于不用过程机理模型的信息,因此,对故障诊断问题有难以在理论上作系统分析的缺陷,于是提出了一种基于主元子空间故障重构技术的故障诊断方法。利用故障子空间的概念,在故障重构技术的基础上,研究基于T~2统计量的故障诊断问题,提出故障识别指标和诊断算法。通过对双效蒸发过程的仿真监测,验证该诊断方法的有效性。     

主元空间中故障重构的故障识别（英文）

基于主元分析(Principal Component Analysis,PCA)统计过程监控方法,由于其不需要数学模型,因此目前在过程监控领域获得了广泛应用,但这也限制了其在故障诊断方面的能力。针对此问题,本文从故障子空间与PCA监控模型的角度,利用故障重构技术,对基于PCA的T~2统计量进行重构,获得了主元子空间中T~2统计量的故障可重构性理论条件,提出了具体的故障识别指标和诊断算法,解决了基于主元子空间故障重构技术的故障诊断问题,弥补了Dunia等人的方法只在残差子空间中讨论故障重构与识别问题。通过对双效蒸发过程的仿真监控,表明了所获得的理论条件、故障识别指标和诊断算法能对传感器故障和过程故障进行有效地识别,证实了所获理论、识别指标和诊断算法的有效性。     

基于故障子空间与PCA监测模型的故障可检测性研究

由于基于主元分析(Principal Component Analysis,PCA)的统计监控方法没有利用过程机理模型(First Principle Model)信息,因此在一定程度上限制了其故障诊断能力的发展。本文基于PCA的框架,采用故障子空间对故障进行描述,在PCA监测模型的基础之上,分析了主元空间和残差空间的故障可检测性问题,获得了故障可检测性的必要充分理论条件。通过对双效蒸发过程的仿真监测,证实了所获理论结果的有效性,表明了通过计算临界故障幅值就可事先对故障集内各故障的检测结果作定量的分析,从而事先了解各故障在PCA下的检测结果。     

基于主元分析的桥梁挠度传感器故障诊断研究

主元分析(PCA)是一种典型的数据降维的多元统计方法,已被越来越多地用于故障诊断。将PCA应用在桥梁挠度传感器故障诊断。介绍了PCA的理论,研究了基于PCA的故障检测方法和基于贡献率的故障诊断方法。计算平方预测误差(SPE)和Hoteling T2统计,当统计量超过阈值时,判断系统出现了传感器故障,然后通过SPE贡献图判断故障源。通过仿真验证了PCA在故障诊断的实用性,但结果也表明:PCA对小故障不是很敏感。     

主元分析在变压器故障检测与识别中的应用

针对IEC三比值法进行变压器故障诊断存在缺编码、编码边界模糊和诊断率偏低的问题,提出了采用主元分析和重构贡献图的故障诊断方法。在建立的PCA(Principal Component Analysis)统计过程模型上,构建SPE、T2统计量和重构贡献指标对变压器故障进行检测,并分析了贡献图法和重构贡献法的故障诊断性能。仿真结果表明基于主元分析和重构贡献图的故障诊断方法对数据更敏感,能够有效弥补IEC三比值法的不足,提高故障诊断正确率。     

基于主元分析得分重构差分的故障检测策略

基于主元分析(PCA)的统计过程控制方法通常假设数据的生成过程是独立同分布的.当数据存在多模态结构或过程变量非线性相关时, PCA方法的故障检测性能将受到影响.针对上述问题,本文提出一种基于PCA得分重构差分的故障检测策略.首先,应用PCA将输入空间分解为主元子空间和残差子空间;接下来,应用k近邻(k NN)规则重构当前样本得分向量并计算样本的得分重构差分向量;最后,计算得分重构差分向量的统计值并进行故障检测.本文方法不仅可以降低数据多模态和变量非线性相关等特征对过程故障检测的影响,同时可以降低统计量的自相关性、提高过程故障检测率.将本文方法在两个模拟例子和田纳西–伊斯曼(TE)过程中进行测试,并与PCA、核主元分析(KPCA)、动态主元分析(DPCA)和k最近邻故障检测(FD–k NN)方法进行对比分析,测试结果证明了本文方法的有效性.     

改进PCA在发酵过程监测与故障诊断中的应用

提出一种改进的主元分析(PCA)法．利用主元相关变量残差统计量代替平方预测误差Q统计量,并采用累积方差贡献率及复相关系数确定PCA模型的主元数．将改进的主元分析法应用于粘菌素发酵过程监测和故障诊断中,仿真结果表明改进的PCA方法避免了Q统计量的保守性,并保证了主元子空间中的信忠存量．与一种基于特征子空间的系统性能监控方法相比较,改进的PCA方法具有更强的有效性．     

基于PCA多变量统计的故障检测与诊断

主元分析(PCA)是一种能够对过程生产进行监测和质量控制的有效方法,在保证数据信息丢失最少的情况下,大大降低了原始数据空间的维数。为了更好地进行故障检测与诊断,介绍了基于PCA多变量统计的故障检测与诊断,给出了广泛应用在多变量统计过程上的T2和Q(或SPE)统计量。利用PCA分析建模可以消除变量间的非线性关联,降低噪声影响。用田纳西-伊斯曼过程TEP(Tennessee-Eastman Process)平台产生仿真数据,并利用Matlab软件建立故障检测与诊断模型。通过T2和Q(或SPE)统计量与其阈值的判断,进行对系统的故障检测与诊断。实验表明,基于PCA的故障诊断方法能够对过程的非正常变化做出反应,也能较正确地找出发生故障的原因以及相应环节。     

利用主元方法进行传感器故障检测的行为分析

主元分析方法(PCA)是基于多元统计分析的过程监测和故障诊断手段。在假设过程只存在传感器故障的情况下，系统地分析了PCA方法在传感器典型故障下的检测行为。首先导出了Hoteuing T^2和Q两个检测统计量在传感器不同故障下的变化关系和规律，然后从理论上给出了每个传感器故障的可检测性条件。最后通过火电厂锅炉过程中传感器故障检测实例验证了所得到的结论。