一种改进的动态核主元分析故障检测方法

针对复杂工业系统动态非线性故障检测过程精度低和计算量大的问题,提出了一种改进的动态核主元分析故障检测方法,该方法首先利用不可区分度剔除相关程度较小或者不相关变量,减少数据量,然后通过观测值扩展对筛选后的新数据构建增广矩阵,并对矩阵使用核主元分析提取变量数据的非线性空间相关特征,最后通过监测T2和SPE两种统计量诊断出系统发生故障及识别故障变量。仿真实验证明,该方法能对风力发电机故障进行有效监测和诊断,与KPCA方法相比,改进的动态核主元分析方法对微小故障更为敏感。     

一种改进的动态核主元分析故障检测方法

针对复杂工业系统动态非线性故障检测过程精度低和计算量大的问题,提出了一种改进的动态核主元分析故障检测方法，该方法首先利用不可区分度剔除相关程度较小或者不相关变量,减少数据量，然后通过观测值扩展对筛选后的新数据构建增广矩阵，并对矩阵使用核主元分析提取变量数据的非线性空间相关特征，最后通过监测T ²和SPE 两种统计量诊断出系统发生故障及识别故障变量。仿真实验证明，该方法能对风力发电机故障进行有效监测和诊断，与KPCA方法相比，改进的动态核主元分析方法对微小故障更为敏感。     

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。     

基于小波去噪的FVS-KPCA故障检测方法

对于复杂非线性系统,实际得到的数据不可避免地带有噪声、随机干扰,而传统的核主元分析(KP-CA)方法应用于大样本集的故障检测,要计算核矩阵K很困难。为此,提出一种小波去噪与特征矢量选择-核主元分析(FVS-KPCA)相结合的故障检测方法,首先对数据进行小波去噪,再采用特征矢量选择(FVS)与KPCA结合的方法能有效降低故障检测计算的复杂性。把上述方法应用到Tennessee Eastman(TE)化工过程,仿真结果表明该方法能有效地提高故障检测的速度。     

基于KSFDA-SVDD的非线性过程故障检测方法

慢特征分析(SFA)是一种无监督的线性学习算法,没有考虑过程数据的类别信息和非线性特征。针对此问题,提出一种基于核慢特征判别分析(KSFDA)和支持向量数据描述(SVDD)的非线性过程故障检测方法KSFDA-SVDD。该方法首先利用核技巧将数据从原始空间映射到高维空间,然后通过最大化正常工况数据和故障模式数据之间伪时间序列的时间变化同时最小化正常工况数据内部伪时间序列的时间变化计算判别矩阵,最后利用SVDD描述采用判别矩阵降维后的正常工况数据的分布域,构建监控统计量检测过程故障。在连续搅拌反应器(CSTR)过程上的仿真结果表明所提出方法的故障检测性能优于传统的KPCA方法。     

基于主元分析的FPSO故障检测与诊断

应用基于主元分析的故障诊断方法对浮式油轮生产储油卸油系统(FPSO)进行故障检测与诊断研究.选取FPSO油气水分离系统的18个主要过程监控变量为研究对象,通过对系统历史数据进行预处理分析,建立主元模型;利用主元模型对仿真实时数据进行故障检测,应用SPE统计法和Hotelling统计法判断系统是否发生故障;使用贡献图法实现故障分离.研究结果表明:基于主元分析的故障诊断方法可以准确地对FPSO生产过程的早期故障进行检测和诊断;且对于系统的细小扰动,动态主元分析法的故障诊断能力优于主元分析法.     

基于小波去噪与KPCA的TE过程故障检测研究

针对化工过程复杂非线性,并且含有噪声和随机干扰的特点,提出利用小波去噪与核主元分析(KPCA)相结合的方法来进行故障检测,既可以达到去噪、抗干扰的目的,又可以将输入空间中复杂的非线性问题转化为特征空间中的线性问题,从而解决了主元分析(PCA)方法在非线性过程中性能差的问题.并将该方法应用于Tennessee Eastm...     

一种基于改进局部熵PCA的工业过程故障检测方法

针对工业过程的多模态和非高斯特性,提出一种基于改进局部熵主元分析(ILEPCA)的故障检测方法。引入k近邻的均值对局部概率密度函数进行改进,构造改进的局部熵数据剔除多模态和非高斯特性。对改进的局部熵数据建立主元分析(PCA)模型,根据核密度估计计算控制限。对于测试数据,运用改进的局部熵算法预处理后,向PCA模型上投影,计算统计量。通过比较统计量与控制限来进行故障检测。把该方法应用到数值例子和半导体过程故障检测,仿真结果表明,与PCA、核主元分析(KPCA)和局部熵PCA (LEPCA)相比,ILEPCA算法在具有多模态和非高斯特性的工业过程故障检测中具有明显的优越性。     

基于KECA的化工过程故障监测新方法

针对化工过程数据复杂、非线性的特点,提出一种基于核熵成分分析(KECA)的化工过程故障监测算法。首先,KECA算法按照Renyi熵值的大小选取特征值及特征向量,相比传统的KPCA监测算法,其保留主元个数更少,可以有效减少运算量。同时,仿真研究表明KECA算法选取的主元具有角度结构特性,据此,提出一种新的统计量--CS(Cauchy-Schwarz)统计量,其对应到核特征空间中即为向量间的角度余弦值,可以较好表述不同概率密度分布之间的相似度。最后,将KECA和KPCA算法分别应用于TE(Tennessee Eastman)过程,结果表明KECA在故障检测延迟与检出率相比KPCA都有很大的优势。     

基于双近邻标准化和PCA的多阶段过程故障检测

现代工业产品的生产往往需要多个生产阶段,多阶段生产过程的故障检测成为一个重要问题。多阶段过程数据具有多中心、各工序数据结构不同等特征。针对多阶段过程数据的特征,提出了基于双近邻标准化和主元分析的故障检测方法(DLNS-PCA)。首先寻找样本的双层局部近邻集;其次使用双层局部近邻集的信息标准化样本,得到标准样本;最后在标准样本集上使用主元分析方法进行故障检测。双局部近邻标准化能够将各阶段数据的中心平移到同一点,并且调整各阶段数据的离散程度,使之近似相等,从而将多阶段过程数据融合为服从单一多元高斯分布的数据。进行了青霉素发酵过程故障检测实验,实验结果表明DLNS-PCA方法相对于PCA、KPCA、FDk NN等方法对多阶段过程故障具有更高的检测率。DLNS-PCA方法提高了多阶段过程故障检测能力。     

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。     

Learning a data-dependent kernel function for KPCA-based nonlinear process monitoring

Kernel principal component analysis (KPCA)-based process monitoring methods have recently shown to be very effective for monitoring nonlinear processes. However, their performances largely depend on the kernel function and currently there is no general rule for kernel selection. Existing methods simply choose the kernel function empirically or experimentally from a given set of candidates. This paper proposes a kernel function learning method for KPCA to learn a kernel function tailored to specific data and explores its potential for KPCA-based process monitoring. Motivated by the manifold learning method maximum variance unfolding (MVU), we obtain the kernel function by optimizing over a family of data-dependent kernels such that the nonlinear structure in input data is unfolded in the kernel feature space and gets more likely to be linear there. Using the optimized kernel, the nonlinear principal components of KPCA which are linear principal components in the kernel feature space can effectively capture the variation in data, and thus the data under normal operating conditions can be more precisely modeled by KPCA for process monitoring. Simulation results on an simple nonlinear system and the benchmark Tennessee Eastman (TE) demonstrate that the optimized kernel functions lead to significant improvement in the performance over the popular Gaussian kernels when used in the KPCA-based process monitoring.     

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.     

基于核主角的故障检测方法

基于主元分析（PCA）的统计检测方法已经被广泛应用于各种化工过程的故障检测和识别.移动主元分析（moving principal component analysis,简称MPCA）算法基于PCA,根据主元子空间的变化来判断故障是否发生.然而,基于主元分析的统计检测方法是线性方法,无法有效应用于非线性系统.因此,提出一种适合于非线性系统的故障检测方法——基于核主角(kernel principal angle,简称KPA)的故障检测方法,其基本思想与MPCA相似,主要内容包括构建特征子空间和核主角测量两部分.TE过程故障检测仿真实验证明,基于核主角的故障检测方法优于传统的多元统计检测方法（cMSPC）和MPCA.     

Modeling and monitoring of multimode process based on subspace separation

In the paper, a new process monitoring approach is proposed for handling the multimode monitoring problem in the industrial batch processes. Compared to conventional method, the contributions are as follows: a new method of extracting the common subspace of different modes is proposed based on the subspace separation; after that the two different subspaces are separated, the kernel principal component models is built for the common and specific subspace respectively and the monitoring is carried out in subspace. The monitoring is carried out in the subspaces. The corresponding confidence regions are constructed according to their models respectively.     

Statistical analysis and adaptive technique for dynamical process monitoring

Multivariate statistical process monitoring (MSPM) methods based on two-dimensional dynamic kernel PCA (2-D-DKPCA) and two-dimensional dynamic kernel Hebbian Algorithm (2-D-DKHA) are proposed. First, a nonlinear batch process monitoring scheme based on 2-D-DKPCA is proposed. Its basic idea is to use KPCA to depict the both within-batch dynamics and batch-to-batch dynamics. However, the proposed 2-D-DKPCA needs to store the whole kernel matrix and calculate all nonlinear components. Kernel matrix will thus become extremely huge when the numbers of successive batches and samples are large. Then, kernel Hebbian Algorithm (KHA) is introduced to 2-D-DKPCA to construct 2-D-DKHA. KHA can extract adaptively nonlinear principal components without storing and manipulating the whole kernel matrix and only calculate the principal components. Thus, proposed 2-D-DKHA has the ability of monitoring complex batch processes. The 2-D-DKPCA and 2-D-DKHA are first proposed in this article. Also, from the proposed 2-D method, it is easily to obtain the 1-D algorithm.     

基于核T-PLS的化工过程故障检测算法

针对全潜结构投影法（T-PLS）在检测非线性过程故障时误报率和漏报率较高的缺点,提出了基于核函数的全潜结构投影法（KT-PLS）。该算法通过核函数将过程数据从低维输入空间非线性地映射到高维特征空间,实现非线性问题的线性化;然后在质量变量的引导下将特征空间分为与质量直接相关、与质量正交、与质量无关和残差四个子空间;最后分别构建D和Q统计量进行故障检测。将该算法应用到Tennessee Eastman process（TEP）,多种故障模式下的仿真结果表明,KT-PLS比T-PLS更适合监控具有强非线性的生产过程。