基于ICA混合模型的多工况过程故障诊断方法

针对工业过程数据的多模态和非高斯特性,提出一种基于独立元混合模型（independent component analysis mixture model,ICAMM）的多工况过程故障诊断方法。该方法将独立元分析与贝叶斯估计结合,同时完成各个工况的数据聚类和模型参数求取,并建立基于贝叶斯框架下的集成监控统计量实时监控过程变化。在检测到故障后,针对传统的变量贡献图方法无法表征变量之间信息传递关系的缺点,提出基于信息传递贡献图的故障识别方法。该方法首先计算各变量对独立元混合模型统计量的贡献度,进一步通过最近邻传递熵描述故障变量之间的传递性,挖掘故障变量之间的因果关系,从而确定故障源变量和故障传播过程。最后对一个数值系统和连续搅拌反应釜（CSTR）过程进行仿真研究,结果验证了本文所提出方法的有效性。     

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。     

基于多工况混合模型的故障监控方法研究

针对多工况过程建立了一个多工况高斯混合模型(Gaussian Mixture Model,GMM),并利用EM(Expectation Maximization)算法对该GMM参数进行估计。通过引入贝叶斯阴阳算法(Bayesian YingYang,BYY),实现了GMM中混合工况数目的自动估计。然后,通过在所建GMM的每个分量中构建PCA模型,建立一个多工况故障监控混合模型。最后利用TE过程研究证明了所建模型在过程监控中的有效性。     

基于ICA的控制回路故障诊断方法

针对控制回路中各种设备的监测信号之间存在较强的关联性和非高斯分布的特点,首次将独立分量分析法(ICA)用于控制回路的故障诊断中。分别选取回路中控制器输入和输出、执行器输出、变送器输入和输出作为信号观测点,选择控制回路正常运行状况的数据进行ICA建模,获得I2和SPE统计限,当控制回路某个元件发生故障时可以通过统计量的变化对其进行监测。此外,还采用均值贡献率进行故障点定位,有效降低了故障的误诊率。     

基于LECA的多工况过程故障检测方法

针对工业过程监控中的多工况复杂分布数据,提出一种基于局部熵成分分析(LECA)的故障检测方法。为处理数据的多模态分布问题,LECA首先采用KNN-Parzen窗方法估计变量的局部概率密度,进一步构造局部相对概率密度函数降低对窗参数选择的敏感性。为有效挖掘非高斯分布数据中的特征信息,利用信息熵理论计算过程数据的局部信息熵,并采用独立元分析(ICA)方法建立局部熵成分统计模型,实时检测过程故障。在数值例子和连续搅拌反应釜(CSTR)上的仿真结果表明,该方法在故障检测过程中能够获得较好的监控性能。     

基于多层优化PCC-SDG方法的化工过程故障诊断

化工过程的故障发生往往都是一个变量带动多个变量的连锁效应。本文基于变量的相关性变化特点,用符号有向图SDG(signed directed graph)描述系统因果影响关系,以皮尔逊相关系数PCC(Pearson correlation coefficient)计算网络统计指标,提出了一种基于多层优化PCC-SDG的故障诊断方法。该方法基于全工艺的网络拓扑结构,首先对选取的变量进行初步优化。然后,为有效提取工艺特征信息,运用PCA(principal component analysis)权重思想从多层相关系数集中选取了权重较大的关键变量,结合SDG建立最优PCC-SDG网络。最后,针对最优PCC-SDG网络变量的相关性规律重构聚集权重系数Q,进行过程故障检测与诊断。TE(Tennessee Eastman)仿真过程的应用结果表明,PCC-SDG建模及故障诊断步骤较为简洁,可以充分挖掘SDG深层次关联特性,定量简化SDG的故障诊断效果明显,具有较好的过程监控优势。     

基于多层优化PCC-SDG方法的化工过程故障诊断

化工过程的故障发生往往都是一个变量带动多个变量的连锁效应。本文基于变量的相关性变化特点,用符号有向图SDG（signed directed graph）描述系统因果影响关系,以皮尔逊相关系数PCC（Pearson correlation coefficient）计算网络统计指标,提出了一种基于多层优化PCC-SDG的故障诊断方法。该方法基于全工艺的网络拓扑结构,首先对选取的变量进行初步优化。然后,为有效提取工艺特征信息,运用PCA（principal component analysis）权重思想从多层相关系数集中选取了权重较大的关键变量,结合SDG建立最优PCC-SDG网络。最后,针对最优PCC-SDG网络变量的相关性规律重构聚集权重系数Q,进行过程故障检测与诊断。TE（Tennessee Eastman）仿真过程的应用结果表明,PCC-SDG建模及故障诊断步骤较为简洁,可以充分挖掘SDG深层次关联特性,定量简化SDG的故障诊断效果明显,具有较好的过程监控优势。     

一种新的多工况过程在线监测方法

针对复杂工业过程中的多工况和非高斯信息问题,提出一种基于外部分析的ICA-PCA（independent component analysis and principal component analysis）在线统计监测新方法。首先把过程变量分为外部变量和主要变量,通过偏最小二乘（PLS）回归方法分离外部变量对主要变量的影响,然后利用ICA-PCA两步信息提取策略,完整地提取过程的信息,最后用3个统计量对过程进行监测,建立了一种具有非高斯特性的多工况过程在线监测算法。通过对一个数值例子和连续搅拌槽（CSTR）过程的仿真研究,说明提出的方法是可行、有效的。     

基于IALO-ELM模型的滚动轴承故障诊断方法

为了有效提取轴承振动信号中的运行状态信号,并根据信号特征进行故障诊断,提出滚动轴承故障诊断IALO-ELM新模型.采用柯西高斯变异对蚁狮优化算法进行改进,进而对极限学习机的参数进行优化,实现对滚动轴承故障的诊断.试验结果表明:IALO-ELM模型与SVM、ELM和ALO-ELM模型相比较,具有更好的稳定性,识别准确度达...     

基于高斯混合模型与主元分析的多模型切换方法

针对多模型预测控制的模型切换问题,提出了一种基于工况判断的多模型切换方法,利用工业过程中的可测变量综合反映系统的动态特性,根据动态特性的变化进行多模型切换。首先利用高斯混合模型(GMM)将历史数据划分为若干个工况,然后利用不同工况下的历史数据建立负荷向量矩阵和预测模型,最后根据主元模型的平方预报误差(SPE)选择预测模型。以乙烯裂解炉的反应管出口温度(COT)的控制为例进行仿真,仿真结果表明:提出的方法实现了多个反应管出口温度的稳定均衡控制,当系统的工况发生改变时,通过不同主元模型的SPE统计量的比较,可以很容易地找到匹配的工况,并切换为相应的预测模型,解决了当系统动态特性发生改变时,预测模型切换滞后的问题。     

基于SDG模型的控制系统故障诊断方法

利用深层定性知识模型、符号有向图模型,对生产流程中常见的单回路和串级控制系统进行了建模与故障诊断研究。提出基于假设-验证的双向推理算法,解决了传统的故障诊断方法从未涉及复杂系统中的多个控制回路对系统故障存在的屏蔽作用的问题。通过对某厂常压蒸馏装置进行基于SDG模型的故障诊断,验证了基于SDG模型的故障诊断方法应用在包含多个控制回路的复杂系统故障诊断时的有效性与可行性。     

化工过程混合故障诊断系统的应用

故障诊断是保障化工过程安全、平稳进行的一个重要工具。主成分分析法(PCA)作为典型的故障诊断方法,已经广泛应用于各类化工过程的故障诊断,但在复杂过程的故障类别判断上还存在不足。而人工免疫系统对于自我-非我的识别能力有助于对故障类别的判断,并且其良好的自适应、自学习能力,有助于在诊断过程中对系统的完善和改进。本文将主成分分析法与人工免疫系统结合,建立了一个新的混合故障诊断系统,实现对于化工过程故障的早期诊断,并用Honeywell公司的UniSim平台建立了一个动态的化工过程模型,对该诊断系统进行了验证。     

基于工况识别的污水处理过程多目标优化控制

针对污水处理过程中能耗大和罚款高等问题,设计了一种基于工况识别的污水处理智能优化控制系统。为保证工况识别的准确性和实时性,利用自适应遗传算法从多种入水参数中选取参考变量,然后基于建立的历史知识库,对入水实时工况进行识别。针对能耗和罚款的多目标优化问题,基于历史知识的引导,通过智能决策的方法从 p a r e t o 解集中选出最优偏好解,并对知识库进行更新。利用国际基准仿真平台BSM1进行验证,结果表明所提方法有效利用了历史工况的最优解信息,提高了算法的收敛性,降低了计算成本,同时可将能耗和罚款控制在较低的范围。     

基于工况识别的污水处理过程多目标优化控制

针对污水处理过程中能耗大和罚款高等问题,设计了一种基于工况识别的污水处理智能优化控制系统。为保证工况识别的准确性和实时性,利用自适应遗传算法从多种入水参数中选取参考变量,然后基于建立的历史知识库,对入水实时工况进行识别。针对能耗和罚款的多目标优化问题,基于历史知识的引导,通过智能决策的方法从pareto解集中选出最优偏好解,并对知识库进行更新。利用国际基准仿真平台BSM1进行验证,结果表明所提方法有效利用了历史工况的最优解信息,提高了算法的收敛性,降低了计算成本,同时可将能耗和罚款控制在较低的范围。     

基于工况识别的注塑过程产品质量预测方法

针对多工况注塑过程的在线质量预测问题,考虑了过程数据高维、耦合、非线性等特点,采用拉普拉斯特征映射(LE)方法实现过程数据的非线性降维;在低维特征空间中采用Mean Shift聚类算法完成样本的工况聚类,以便注塑过程的工况分析和知识挖掘;同时运用Mean Shift原理,提出一种新样本的在线工况识别方法;最后应用基于混合粒子群(PSO)参数寻优的偏最小二乘支持向量机(PLS-LSSVM)方法,建立了多工况注塑过程的产品质量软测量模型。实验结果表明,相较于PLS-LSSVM方法,本文方法的预测精度和泛化性能均有明显提高,可为实际注塑企业提供一种效果良好的多工况产品质量在线预测方法。     

基于张量分解的间歇过程故障诊断方法

针对间歇过程的三维数据特点和常出现的渐变故障,提出一种基于张量分解的故障诊断方法:累加和的张量主元分析(summed tensor principal component analysis, STPCA)。该方法先结合累积和控制图(CUSUM)对三维样本数据进行累加处理,累积叠加历史信息,然后利用张量分解思想直接对三维数据进行TPCA分解得到投影矩阵U和V,避免传统方法在展开成二维数据过程中破坏原有数据结构问题,最后构造监测统计量,求取置信限建立故障诊断模型。在盘尼西林发酵仿真实验中,将多向主元分析(MPCA)和基于张量分解的TPCA、STPCA方法比较,得出结论:针对过程的跳变故障,TPCA方法检测故障准确有效,对于渐变故障,基于STPCA的过程监控方法故障检测性能更突出。     

基于LTSA的ICA方法及其在化工过程监控中的应用

独立成分分析(ICA)方法在线性非高斯过程的监控领域得到了成功应用,当过程数据非线性较强时效果不理想。局部切空间排列(LTSA)方法能够从在高维空间中呈现高度扭曲的数据集中发现隐含在其中的非线性结构。本文结合ICA和LTSA二者的优点,提出LTSA-ICA过程监控方法,首先用LTSA从高维数据空间中提取出低维子流形,然后在这个低维子流形上执行线性ICA算法,在保留ICA对非高斯过程处理优势的同时,较好地解决了非线性的问题。在田纳西-伊斯曼(TE)过程上的仿真表明上述方法的有效性。     

基于Fisher KNMF的非线性多故障诊断方法

为解决多故障诊断问题,提出了一种Fisher KNMF非线性算法。该算法结合核非负矩阵分解(KNMF)算法良好的非线性数据处理能力和Fisher判据的优秀分类能力,建立多故障诊断模型用于过程监控,计算样本的判别函数值,并将样本归于判别函数值最大的类,进而完成故障诊断。在TE模型上的仿真结果表明:Fisher KNMF算法在非线性多故障诊断方面具有良好的性能。     

基于离散过程神经元网络旋转机械轴承故障诊断模型

本文通过对旋转机械在设备的运行过程中振动、温度、压力、流量、电流等数据的统计分析,采用离散型过程神经元网络建立相关模型,用以估算轴承的使用寿命,为设备维修提供依据。     

基于ICA-SVM的复杂化工过程集成故障诊断方法

针对由于复杂操作或多回路控制等因素造成复杂化工过程故障诊断难度加剧问题,提出了一种基于独立成分分析（ICA）和支持向量机（SVM）的集成故障诊断方法。该方法利用快速ICA算法建立正常工况ICA模型,通过监控统计量I²、I_e²、SPE是否超过用核密度估计方法确定相应的置信限检测故障。如检测到故障发生,即用梯度算法计算每一个监控变量对统计量I²、I_e²、SPE的贡献度,根据观察贡献度变化情况初步诊断出可能的故障源,并利用支持向量机多分类算法诊断出初始故障源。利用丁二烯精馏装置的实际工业故障数据验证提出的ICA-SVM集成故障诊断方法的有效性。