改进KICA带钢热连轧过程故障检测方法研究

针对传统的FastICA算法对初始权值的敏感性,以及带钢热连轧工业过程数据间呈现非线性和非高斯性的问题,提出一种基于改进的快速核独立元分析(FastKICA)方法进行故障检测.该方法首先对原始数据进行小波包去噪,利用核方法对数据进行特征重构,使数据线性结构化,引入超松弛因子改进FastICA初始权值的选择机制,提取更合理的独立元信号,并且计算相应的统计量和控制限.选用带钢热连轧工业过程实测数据进行仿真,与传统的FastKICA方法相比较,结果证明,基于超松弛因子改进的FastKICA故障检测的方法准确率更高,验证了该方法的有效性和优越性.     

基于改进多尺度核主元分析的化工过程故障检测与诊断方法研究

针对化工过程数据的多尺度性和非线性特性,提出了改进多尺度核主元分析法.先利用小波变换分析测量数据的多尺度特性,然后采用核主元分析算法进行在线故障检测,对检测到的故障采用核函数梯度算法实现在线故障诊断,根据每个监控变量对统计量T~2和SPE的贡献程度,绘制贡献图,用于故障的分离.在监控过程中为解决核矩阵计算困难,引入特征向量选择方法.TE过程的仿真结果表明它能有效实现故障检测、故障诊断,与主元分析方法相比,显示出更高的过程监控能力.     

基于统计模量分析间歇过程故障检测方法研究

针对间歇生产过程非线性、动态性、多阶段、采样不同步等特点,提出一种基于统计模量分析的故障检测方法.间歇过程统计模量反映原始数据特征,可以有效提取过程的非线性特征,保证了统计模量近似服从高斯分布,并使采样数据在不丢失信息的前提下同步化处理.在统计模量训练集中应用主元分析(PCA)方法进行故障检测,可以满足T2和SPE控制限确定的假设要求,使故障检测的准确性与可靠性得到提高.通过在盘尼西林发酵间歇过程中的应用和与多向主元分析(MPCA)、核主元分析(KPCA)等方法对比,验证了此方法的有效性.     

基于KPCA残差方向梯度的故障检测方法及应用

针对核主元分析(KPCA)在应用过程中非线性映射不存在原像、故障变量无法辨识、工程应用困难等问题,提出了一种改进的KPCA残差方向梯度故障检测方法。利用主元统计量和残差统计量的偏微分之间存在着相关性这一性质,对与主元统计量相关的格拉姆矩阵偏微分中间计算过程进行优化,提出一种新的KPCA残差方向梯度算法,在此基础上结合统计量形成系统故障检测的新方法。非线性系统仿真表明,改进的KPCA残差方向梯度法不仅具有较优的故障变量辨识能力,还极大地减小了计算量,缩短了计算时间。大型热力系统的应用进一步表明,无论对于单故障和多故障的情况,方法均具有较好的故障检测能力,并且不存在残差污染,易于工程实现。     

用残差CUSUM控制图检测自相关过程中的故障

由于累积和控制图(cumulative sum,简称CUSUM)算法应用的基本假设是从过程得到的观测值彼此独立,而工业过程通常是自相关过程,数据自相关性会影响CUSUM控制图的性能.针对这一问题,利用数学推理的方法分析了数据自相关性对CUSUM控制图性能的不利影响,正自相关会使CUSUM控制图的平均运行长度变短,可能引起假警报;负自相关会使CUSUM控制图的平均运行长度变长,可能造成故障漏报.在此基础上,提出用残差CUSUM控制图来检测自相关过程中的故障,运用时间序列模型的残差检测自相关过程中的故障,消除数据自相关性对控制图性能的不利影响.结果表明,该方法具有较好的鲁棒性和较高的准确率.     

基于改进ICA的工业过程故障诊断研究

如今的工业过程系统结构复杂设备精密度高,随之而来的就是系统的高故障性,所以如何准确地检测到故障的发生已经成为一大难题。该文基于提高故障诊断性能的目的,提出一种DPCA-ICA的故障诊断方法。这种方法先采用DPCA对数据进行降维和去噪处理,得到能最大反映系统信息的低维数据,然后再通过ICA方法提取独立元,进行故障诊断。仿真结果表明,改进后的ICA故障诊断方法不仅具有比传统PCA方法更低的故障误报率,并且对一些PCA难以检测的故障也有很好的诊断效果。     

基于改进MVU的非线性动态过程故障检测方法

针对化工过程数据的非线性和动态性分布特征,引入Laplacian特征映射(LE),提出了一种基于改进最大方差展开(MVU)的特征提取算法.在改进算法中,局部以欧式距离、全局以测地线距离为尺度度量数据间差异性,以更好反映数据内在几何性质;此外,借鉴LE算法思路,通过最小化近邻点间距离实现流形结构保持.改进算法兼具全局特性保持和局部流形学习能力,计算效率也有较大提高.将其用于提取非线性动态过程高维数据子流形特征,利用SVDD在特征空间建立故障检测模型,构造统计量并确定其控制限.TE过程仿真及丙烯聚合过程实验研究表明改进方法能有效挖掘过程特征信息、监控过程变化并及时检测故障发生,故障检测率较传统方法有显著提高.     

多变量统计分析方法在制冷故障检测与诊断中的应用研究

研究了多变量统计分析方法在制冷装置故障检测和诊断中的应用。对ASHRAE资助下的一组实验数据进行预处理,对其进行故障检测和故障诊断。对于故障检测,可利用平方预测误差(Q统计量)等统计控制变量来判断系统是否在正常运行状态。而对于故障诊断,第一次尝试采用各变量对于平方预测误差的负荷结合各变量的变化率来得到其对于平方预测误差异变的贡献率。从而快速利用变量的变化方向和程度判断故障类型。从结果分析,这种方法可以在众多变量中过滤掉不显著的变化,迅速找到故障主因。利用多变量统计分析方法可以实现对制冷装置的运行状态进行实时监控和诊断。     

主元分析方法的故障可检测性研究

主元分析（PCA）是一种有效的多元统计过程监测方法，PCA监测方法不依赖于过程的精确数学模型，这使得其难以对故障的可检测性问题进行系统的研究，基于故障子空间的描述方式，本文在主要元子空间的残差子空间中分别讨论了PCA故障可检测性的充分和必要条件，并提出了临界故障值的概念，通过对双效蒸发过程的仿真故障检测，表明所获得的结果能较好地刻画PCA的故障检测行为。     

空调系统传感器自动故障诊断方法研究

针对空调系统运行过程具有非线性和动态特性的特点,提出了一种基于动态核主元分析的传感器故障检测方法。该方法采用核主元分析提取系统中的非线性冗余信息,建立核主元模型,再引入指数加权的定义,进行在线诊断的同时对模型进行实时更新,得到了改进的动态核主元模型。选择SPE统计量作为系统是否发生故障的依据。最后通过贡献图法实现了对故障变量的分离。将此方法应用于某地源热泵系统的传感器故障检测,结果表明,该方法能够实时更新核主元模型和置信限,成功分离故障变量,且和传统主元分析法相比具有更好的故障诊断效果。     

基于DMOLPP的间歇过程在线故障检测

为了保持过程数据集的局部结构,确保数据投影后的投影向量正交,降低数据误差重构方面的难度,提出了一种基于动态多向正交局部保持投影(DMOLPP)进行间歇过程故障检测的方法。该方法将滑动窗口技术和正交局部保持投影(OLPP)相结合用于间歇过程在线检测。首先,将批次数据展开成二维数据,利用滑动窗口技术分别在时间片内运用OLPP算法提取能表征过程正常数据内在局部近邻结构的特征;然后,对于新来批次数据标准化处理后分别在相应窗口内投影,提取特征向量;最后利用核密度估计(KDE)确定控制限进行过程检测。通过仿真结果表明,运用DMOLPP算法检测到故障发生的时刻早于动态多向局部保持投影(DMLPP)、动态多向邻域保持嵌入(DMNPE)方法。与动态多向主元分析(DMPCA)相比,具有较低或者无误报时刻,验证了该方法的有效性。     

基于小波及非线性预测的轴承故障诊断方法

在非线性时间序列预测研究的基础上,提出非线性预测效果的特征提取方法.首先对采集到的足够长轴承数据采用小波变换进行消噪处理及边界延拓,使其满足预测需要的无限长、无噪声的条件,这样延迟时间取任意值均能重构原系统相空间;然后采用基于可预测性的选取嵌入维数的方法确定轴承各种状态信号的嵌入维数,进行相空间重构.应用实验结果表明:该方法提取的特征值能明显地区分轴承各种状态信号,且对数据分段长度的稳定性好,可以作为识别轴承故障的一种新途径.     

基于小波奇异性的机械故障检测

介绍了小波变换的基本原理及小波奇异性用于机械故障检测的基本原理,提出了一种基于小波奇异性的机械故障检测方法,并根据小波变换模极大值在不同尺度下的分布来完成故障的检测。仿真实验证实了该方法的可行性。     

A nonlinear quality-related fault detection approach based on modified kernel partial least squares

In this paper, a new nonlinear quality-related fault detection method is proposed based on kernel partial least squares (KPLS) model. To deal with the nonlinear characteristics among process variables, the proposed method maps these original variables into feature space in which the linear relationship between kernel matrix and output matrix is realized by means of KPLS. Then the kernel matrix is decomposed into two orthogonal parts by singular value decomposition (SVD) and the statistics for each part are determined appropriately for the purpose of quality-related fault detection. Compared with relevant existing nonlinear approaches, the proposed method has the advantages of simple diagnosis logic and stable performance. A widely used literature example and an industrial process are used for the performance evaluation for the proposed method.     

基于模糊分类的流体管道泄漏故障智能检测方法研究

本文针对基于负压波法管道泄漏实时检测系统误报高和灵敏度低的问题提出一种流体管道泄漏故障智能检测方法,该方法首先给出管道运行参数的确定模型,然后结合模糊算子给出流体管道状态模糊模型,进而利用该模型实现管道故障分类.以这种智能检测方法为核心设计流体管道故泄漏故障智能诊断系统(leak intelligent diagnosis system for fluid pipeline,LIDSFP),通过对某成品油管道实例仿真和在流体管道测试系统上的试验研究,给出了LIDSFP性能指标,进一步分析表明该系统可以有效完成流体管道的泄漏故障诊断.     

A novel method for real time gear fault detection based on pulse shape analysis

Early identification of faults in gearboxes is a challenging task, especially when the time is a critical factor. In this paper, a novel method for real time fault detection in gearboxes is proposed using adaptive features extraction algorithm to deal with non-stationary faulty signals. Moreover, integration of different techniques is presented in order to detect faults in a real time environment. Evolutionary algorithms are commonly used in different applications and have strong ability for optimization. However, they are inherently slow and not suitable for real time applications. The proposed method is based on a combination of conventional one-dimensional and multi-dimensional search methods, which showed high performance and accurate fault detection results compared with evolutionary algorithms. The effectiveness, feasibility and robustness of the proposed method have been demonstrated on experimental data. An average speed up factor of 87% has been successfully achieved with approximately 5% quality degradation in the results as compared with evolutionary algorithms like genetic algorithms.     

基于优化自适应阈值的非线性机电系统传感器 故障检测和主动容错控制

针对具有参数不确定性和传感器故障的非线性机电系统,提出一种基于优化自适应阈值和故障重构策略的主动容错控制方法。首先,利用线性分式变换理论对存在参数不确定性的非线性机电系统进行建模,并提出基于粒子群优化算法的优化自适应阈值以提高参数不确定条件下的故障检测性能。其次,通过解析冗余关系推导出系统的动力学方程,并提出一种基于递归终端滑模的跟踪控制策略,以实现系统健康状态下的负载位置跟踪。当系统发生故障时,构建自适应滑模观测器进行传感器故障重构,根据重构结果设计自适应主动容错控制律,并利用故障检测结果进行控制律的实时切换。实验结果表明,所提出的故障检测和主动容错控制方法能在0.06 s内准确的实现传感器故障检测和容错控制,验证了该方法的可行性。     

样本重构多尺度孪生卷积网络的化工过程故障检测

基于数据驱动的故障检测已成为工业过程故障检测的重要手段,但其在实际应用时受限于过程历史数据的规模,往往难以取得令人满意的检测精度。针对这一问题,提出了一种样本空间重构策略,该策略基于随机采样构造同类、异类样本对,在扩充数据规模的同时,将复杂的分类建模问题转化为样本间的相似度对比问题,降低了任务的复杂度。在此基础上,引入并改进孪生卷积神经网络(Siamese CNN)结构,提出了一种基于多尺度孪生卷积神经网络(Multi-scale Siamese CNN)的化工过程故障检测方法。田纳西-伊斯曼(TE)过程数据测试结果表明,所提算法的平均故障检测准确率达到89.66%,相对于常规数据驱动的故障检测算法提高8%以上。