基于传感器模式噪声特性的图像篡改检测方法

针对传统基于传感器模式噪声特性的图像篡改检测算法由于需要知道参考图像数据库因而应用局限性大的问题,提出了一种基于噪声子空间投影的图像篡改检测框架,分别采用主成分分析（ PCA）、二维主成分分析（2DPCA）和核主成分分析（KPCA）实现了基于图像噪声特性的篡改检测,并通过实验验证了此方法的有效性。     

基于DPCA-IM的动态过程监测方法

动态主成分分析(DPCA)通过增广矩阵或向量的方式来挖掘采样数据间的时序自相关性。然而,DPCA对自相关的特征成分与残差直接实施监测是不合理的,故其故障检测效果较差。为了剔除采样数据的自相关性以提高故障检测效果,提出一种基于估计误差的动态过程监测方法。首先,通过逐个假设各个过程变量的测量数据缺失,并在已建立的DPCA模型中引入迭代方法(IM)计算得到相应变量缺失数据的估计值。由于该估计值在仅缺失一个变量数据的条件下能较大程度地逼近原测量数据,两者之差(即估计误差)不再存在显著的自相关性,而且该估计误差的变化可直接反映出采样数据变化情况的异常,所以可利用估计误差监测动态过程。最后,通过两个动态过程实例,即动态数值仿真过程与田纳西—伊斯曼(TE)标准测试平台的仿真结果表明,该方法能剔除采样数据间的自相关性,并能有效地提高故障检测效果,验证了该方法不仅可行,而且具有良好的优越性。     

基于局部近邻标准化和动态主元分析的故障检测策略

针对工业过程的动态和多模态特性,提出一种基于局部近邻标准化（LNS）和动态主元分析（DPCA）相结合的故障检测方法（LNS-DPCA）。首先,在训练数据集中寻找样本的K近邻集;然后,应用K近邻集的均值与标准差对当前样本进行标准化处理;最后,在新的数据集中应用DPCA方法确定T²和SPE控制限进行故障检测。LNS方法能够消除过程的多模态特征,使得标准化后数据近似服从多元高斯分布,且保持过程离群点偏离正常样本轨迹;而结合DPCA方法则能够提高对具有动态特性过程的监视性能。利用数值例子和青霉素发酵过程进行仿真,并将测试结果与主元分析法（PCA）、DPCA、K近邻故障检测（FD-KNN）等方法进行对比分析,验证了LNS-DPCA方法的有效性。     

基于混合动态主元分析的故障检测方法

针对基于动态主元分析的故障检测方法存在的主元个数较多以及计算效率低等问题,本文提出基于混合动态主元分析(Hybrid Dynamic Principal Component Analysis,HDP-CA)的复杂过程故障检测方法。该方法采用分步策略消除数据之间的自相关和互相关性,提高了故障检测的精度和效率。对TE过程典型故障和热连轧过程中断带故障检测结果表明:HDPCA方法提取的主元个数少于DPCA方法提取的主元个数。并且,基于HDPCA的T2和SPE统计量的检测性能和检测精度都由于基于DPCA的统计量。因此,本文提出的方法可以准确有效地检测出故障。     

无人机PCA故障检测与诊断技术研究

无人机（UAV）飞控系统传感器故障检测和诊断常采用基于解析模型的方法,但飞行控制系统（FCS）的精确数学模型往往获取困难。针对此问题,提出了一种UAV-PCA算法。该算法在传统主成分分析（PCA）方法的基础上结合方差敏感自适应阈值的故障检测方法和基于特征方向的故障诊断方法,实现UAV飞控系统传感器的故障检测和诊断。算法不需要系统的数学模型,解决了应用传统PCA方法进行FCS故障检测与诊断时易出现暂态过程虚警和误诊断的问题。仿真结果证明该算法可以快速准确地检测传感器故障,而且可以有效地降低暂态过程虚警和提高诊断结果准确度。     

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.     

回转窑烧成系统故障诊断方法研究

针对水泥烧成系统过程变量繁多、变量间静态关系耦合强等特点,采用因子分析方法建立静态过程监控模型。针对系统时序相关问题,结合经典动态主元分析DPCA方法和典型变量分析CVA方法,提出典型变量动态主元分析CVDPCA过程监控方法,有效解决了DPCA方法扩展后的数据矩阵维度大等不足之处。将算法用于水泥烧成系统故障检测,结果表明该算法能准确识别故障和更早检测到微小渐变故障。将CVA和DPCA算法相结合,可以同时监控动态过程和静态关系,且不需要大量的故障数据建立故障模型池,具有一定研究价值。     

一种基于2DPCA的人脸识别技术研究

本文针对二维主成分分析算法（2DPCA）N需要的数据存储空间大以及计算量大的不足,提出了一种改进的基于2DPCA算法．并将该算法应用于人脸识别中．实际应用表明改进后的2DPCA算法具有较好的实时性和较高的识别准确率．     

基于瞬时幅值的光伏系统电流传感器微小故障检测及估计

电流传感器是光伏系统中用于系统控制和状态监测的重要元件,然而受运行环境影响,电流传感器易出现性能退化,影响系统运行安全.为了准确检测和估计出电流传感器微小故障,提出基于瞬时幅值的传感器微小故障检测和估计方法.首先,建立基于瞬时幅值的电流传感器微小故障模型,利用Hilbert变换(HT)估计相电流瞬时幅值将测量的三相正弦电流转换为相互独立的三维直流信号分量;其次,利用快速移动窗主成分分析(FWMPCA)对三维直流信号组成的数据矩阵进行特征提取,获得主元和残差子空间向量的概率密度分布函数;然后,利用Kullback-Leibler(KL)距离定量度量实际运行数据相对于无故障运行数据的微小变化,在此基础上,设置故障检测阈值,构建故障幅值估计模型,实现电流传感器微小故障检测和估计;最后,利用RT-LAB实验平台验证所提方法的有效性.     

图像特征抽取的MDNIB2DPCA方法

在多方向二维主成分分析法MD2DPCA和无迭代双边二维主成分分析（NIB2DPCA）的基础上,提出了多方向无迭代双边二维主成分分析（MDNIB2DPCA）的特征抽取新方法。该方法可以对图像矩阵在多个方向上进行特征抽取,与MD2DPCA方法相比也提高了特征抽取速度。在灰度人脸图像库上的对比实验表明,所提的方法可以提高灰度图像识别率两个百分点以上;进一步地,在基于NIB2DPCA的彩色图像识别方法的基础上,提出了将所提的MDNIB2DPCA替换NIB2DPCA的彩色图像处理的新方法。在彩色人脸库上的对比实验表明,所提方法的识别正确率也可提高约一个百分点。     

Fault detection and diagnosis in process data using one-class support vector machines

In this paper, a new approach for fault detection and diagnosis based on One-Class Support Vector Machines (1-class SVM) has been proposed. The approach is based on a non-linear distance metric measured in a feature space. Just as in principal components analysis (PCA) and dynamic principal components analysis (DPCA), appropriate distance metrics and thresholds have been developed for fault detection. Fault diagnosis is then carried out using the SVM-recursive feature elimination (SVM-RFE) feature selection method. The efficacy of this method is demonstrated by applying it on the benchmark Tennessee Eastman problem and on an industrial real-time Semiconductor etch process dataset. The algorithm has been compared with conventional techniques such as PCA and DPCA in terms of performance measures such as false alarm rates, detection latency and fault detection rates. It is shown that the proposed algorithm outperformed PCA and DPCA both in terms of detection and diagnosis of faults.     

A particle filter driven dynamic Gaussian mixture model approach for complex process monitoring and fault diagnosis

Complex non-Gaussian processes may have dynamic operation scenario shifts so that the conventional monitoring methods become ill-suited. In this article, a new particle filter based dynamic Gaussian mixture model (DGMM) is developed by adopting particle filter re-sampling method to update the mixture model parameters in a dynamic fashion. Then the particle filtered Bayesian inference probability index is established for process fault detection. Furthermore, the particle filtered Bayesian inference contributions are decomposed among different process variables for fault diagnosis. The proposed DGMM monitoring approach is applied to the Tennessee Eastman Chemical process with dynamic mode changes and the results show its superiority to the dynamic principal component analysis (DPCA) and regular Gaussian mixture model (GMM) in terms of fault detection and diagnosis accuracy.     

Plant-wide detection and diagnosis using correspondence analysis

This paper presents an approach based on the correspondence analysis (CA) for the task of fault detection and diagnosis. Unlike other data-based monitoring tools, such as principal components analysis/dynamic PCA (PCA/DPCA), the CA algorithm has been shown to use a different metric to represent the information content in the data matrix X. Decomposition of the information represented in the metric is shown here to yield superior performance from the viewpoints of data compression, discrimination and classification, as well as early detection and diagnosis of faults. Metrics similar to the contribution plots and threshold statistics that have been developed and used for PCA are also proposed in this paper for detection and diagnosis using the CA algorithm. Further, using the benchmark Tennessee Eastman problem as a case study, significant performance improvements are demonstrated in monitoring and diagnosis (in terms of shorter detection delays, smaller false alarm rates, reduced missed detection rates and clearer diagnosis) using the CA algorithm over those achievable using the PCA and DPCA algorithms.     

动态内全潜结构投影的空间扩展故障检测方法

动态内偏最小二乘(DiPLS)方法是基于数据驱动的潜结构投影的动态扩展算法, 用于动态特征提取和关键 性能指标预测. 在大型装备系统中, 传感器采集的当前时刻样本受历史样本的影响且可能包含较大噪声. 在动态特 征提取中, 因DiPLS算法未按降序提取主成分, 导致残差空间仍存在较大变异, 动态和静态信息难以有效分离, 影响 故障检测性能. 为此, 本文提出了一种基于动态内全潜结构投影的故障检测方法(DiTPLS). 首先, 使用动态内偏最小 二乘方法和向量自回归模型建立动态模型并检测故障, 用于捕捉质量相关动态信息; 基于结构化动态主成分分析 算法建立一种改进的动态潜在变量模型, 用于残差分解, 提取质量无关的动态信息和静态信息, 并构造合适的统计 量进行故障检测. 数值仿真和田纳西–伊斯曼过程实验验证了DiTPLS算法的有效性.     

An analytical fault diagnosis method for yaw estimation of quadrotors

A new analytical fault diagnosis method is presented for the yaw and yaw rate estimation of a quadrotor. In the existing methods, the faults of the inertial sensors and the measurement sensors are treated separately. The presented method can deal with the faults of both the z-axis gyro and the magnetic sensor by introducing the torque model, which is used as a virtual sensor. The filter design, fault detection, isolation and recovery strategies are discussed. Real flight data is used to validate the proposed approach, showing that both the z-axis gyro fault and the magnetic sensor fault can be detected.     

基于主成分分析和奇偶向量的动态检测方法

导航系统中冗余IMU传统故障检测方法由于数学模型过于复杂,计算量大,存在较大延时,难以实现实时故障检测,而主成分分析法仅仅应用于静态情况下的故障检测与隔离,针对主成分分析法无法在动态情况下对冗余IMU进行故障检测的缺点,提出了一种基于奇偶空间法改进主成分分析的故障检测算法,该方法利用奇偶向量隔离车辆的动态变量,以消除动态变量对故障检测的影响,再用PCA方法检测数据以实现对车辆传感器信息的实时检测,通过将原始数据集转置到特征平面来形成图案,实现了IMU传感器正常与故障模式的准确分离,提高了冗余IMU故障检测的结果精确性和可靠性。实验结果表明,该方法能够较好检测动态状态下冗余IMU的故障,提高了主成分分析的故障检测性能,可有效消除导航系统运动的负面影响。     

基于量测一致性的联邦滤波故障检测方法研究

针对联邦滤波器的信息融合特点,提出了一种基于测量一致性的传感器故障检验方法.该方法利用融合状态递推器对各个子传感器的量测预报与各传感器量测之间的偏差构造统计量,进行故障检测,可以实现先检测后滤波,在子滤波器启动之前确定对应传感器量测的有效性.仿真结果表明,该方法具有较高的故障检测灵敏度.