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MKECA的非高斯性和非线性共存的间歇过程监测

多向核独立成分分析(multiway kernel independent component analysis,MKICA)在监测间歇过程非高斯性和非线性方面取得了广泛应用,其仅仅是将线性独立成分分析(independent component analysis,ICA)方法利用核主成分分析(kernel principal component analysis,KPCA)白化扩展到非线性领域,但数据经KPCA白化后只考虑数据信息最大化未考虑数据簇结构信息的不足,为解决此问题,采用核熵成分分析(kernel entropy component analysis,KECA)代替KPCA白化的过程监测方法。该方法首先利用AT展开方法将过程三维数据变为二维数据;其次用KECA进行白化处理的同时解决数据的非线性;然后建立ICA监测模型用于非高斯生产过程监测;最后将该方法应用到青霉素发酵仿真和实际的工业过程并与MKICA方法进行对比,验证该方法的有效性。     

基于MSPCA-KECA的冷水机组故障监测及诊断

针对冷水机组同类型不同等级故障的变量变化存在差异会造成误诊断的问题,提出一种基于多尺度主元分析-核熵成分分析(MSPCA-KECA)的故障诊断策略。MSPCA提取故障特征,其输出作为KECA分类器的输入,实现故障的实时监测与自动诊断。首先,改进的MSPCA算法通过将小波多尺度分析与主元分析相结合,筛选故障信息可能存在的尺度直接重构并采用PCA提取故障特征,获取不同类型故障之间差异的同时也保留了同类型但不同等级故障之间的相似性,提高故障诊断的可靠性。之后建立KECA非线性分类器并引入一种新的监测统计量——散度测度统计量,使降维后不同特征信息之间呈现显著的角度差异,易于分类。最后,采用支持向量数据描述(SVDD)算法确定新统计量的控制限,以克服无法获知统计量分布的问题。通过对冷水机组数据的仿真研究,验证了MSPCA-KECA方法的可行性及有效性。     

基于故障判别增强KECA算法的故障检测

基于核熵主成分分析方法的统计模型仅利用正常工况下数据进行建模,而忽略了监控系统数据库中一些已知类别的先前故障数据。为了利用先前故障数据中包含的故障信息来增强故障检测性能,提出了一种故障判别增强KECA（fault discriminant enhanced kernel entropy component analysis, FDKECA）算法。该法通过采用无监督学习和监督学习方法建立模型,同时监测非线性核熵主成分（kernel entropy component, KEC）和故障判别成分（fault discriminant component, FDC）两类数据特征。此外,利用贝叶斯推理将相应的监视统计信息转换为故障概率,并通过加权两个子模型的结果来构建基于总体概率的监视统计量。通过数值仿真和田纳西伊斯曼（Tennessee Eastman, TE）过程仿真实验,证明和传统KECA相比,FDKECA算法能够有效利用故障数据提高故障检测率。     

基于MSPCA-KECA的冷水机组故障监测及诊断

针对冷水机组同类型不同等级故障的变量变化存在差异会造成误诊断的问题，提出一种基于多尺度主元分析-核熵成分分析（MSPCA-KECA）的故障诊断策略。MSPCA提取故障特征，其输出作为KECA分类器的输入，实现故障的实时监测与自动诊断。首先，改进的MSPCA算法通过将小波多尺度分析与主元分析相结合，筛选故障信息可能存在的尺度直接重构并采用PCA提取故障特征，获取不同类型故障之间差异的同时也保留了同类型但不同等级故障之间的相似性，提高故障诊断的可靠性。之后建立KECA非线性分类器并引入一种新的监测统计量--散度测度统计量，使降维后不同特征信息之间呈现显著的角度差异，易于分类。最后，采用支持向量数据描述（SVDD）算法确定新统计量的控制限，以克服无法获知统计量分布的问题。通过对冷水机组数据的仿真研究，验证了MSPCA-KECA方法的可行性及有效性。     

基于MKECA的非高斯性和非线性共存的间歇过程监测

多向核独立成分分析（multiway kernel independent component analysis,MKICA）在监测间歇过程非高斯性和非线性方面取得了广泛应用,其仅仅是将线性独立成分分析（independent component analysis,ICA）方法利用核主成分分析（kernel principal component analysis,KPCA）白化扩展到非线性领域,但数据经KPCA白化后只考虑数据信息最大化未考虑数据簇结构信息的不足,为解决此问题,采用核熵成分分析（kernel entropy component analysis,KECA）代替KPCA白化的过程监测方法。该方法首先利用AT展开方法将过程三维数据变为二维数据;其次用KECA进行白化处理的同时解决数据的非线性;然后建立ICA监测模型用于非高斯生产过程监测;最后将该方法应用到青霉素发酵仿真和实际的工业过程并与MKICA方法进行对比,验证该方法的有效性。     

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。     

基于KECA的非线性工业过程故障检测与诊断新方法

提出了一种基于核熵成分分析（kernel entropy component analysis,KECA）的非线性过程故障检测与诊断新方法。该方法首先利用KECA获取过程数据的得分向量及非线性特征子空间;然后鉴于KECA可以以角结构的方式揭示数据中潜在的集群结构,设计了基于角度的监测指标VoA。该指标通过各得分向量之间的角度方差来描述变换后数据间的结构差异,并根据角度方差的变化情况实现故障检测;接着,为了在检测到故障后有效地进行故障识别,构建了KECA相似度因子来度量特征子空间的相似程度以识别故障模式;最后,以非线性数值案例及Tennessee Eastman过程进行仿真测试研究,结果验证了所提方法的可行性及有效性。     

基于故障诊断性能优化的主元个数选取方法

主元分析 (PCA)作为一种有效的多元统计监测方法,在化工过程的产品质量控制与故障诊断等方面得到广泛应用.其中主元个数作为PCA监测模型的关键参数,其选取直接决定了PCA的故障诊断性能.传统的主元个数选取方法主观性较大,且一般不能考虑故障诊断的要求.通过对主元空间和残差空间中临界故障幅值的分析,提出一种基于故障检测与识别性能优化的主元个数选取方法.并且能够对故障的检测类型、幅值等重要信息进行预测和估计.通过对双效蒸发过程的仿真故障检测,证实了该主元个数选取方法的上述优点.     

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。     

Fault detection in nonlinear chemical processes based on kernel entropy component analysis and angular structure

Considering that kernel entropy component analysis (KECA) is a promising new method of nonlinear data transformation and dimensionality reduction, a KECA based method is proposed for nonlinear chemical process monitoring. In this method, an angle-based statistic is designed because KECA reveals structure related to the Renyi entropy of input space data set, and the transformed data sets are produced with a distinct angle-based structure. Based on the angle difference between normal status and current sample data, the current status can be monitored effectively. And, the confidence limit of the angle-based statistics is determined by kernel density estimation based on sample data of the normal status. The effectiveness of the proposed method is demonstrated by case studies on both a numerical process and a simulated continuous stirred tank reactor (CSTR) process. The KECA based method can be an effective method for nonlinear chemical process monitoring.     

基于核熵独立成分分析的故障检测方法

传统核独立成分分析（KICA）依据特征值的大小进行降维,但是特征值大并不一定取得的信息熵贡献度也是最大的。针对这个问题,提出一种基于核熵独立成分分析（KEICA）的故障检测方法。将训练数据集投影在高维核空间,通过对数据信息熵的贡献大小选取核主成分,并建立独立成分分析（ICA）模型。对训练样本求{\mathit{I}}^{\mathrm{2}}和\mathrm{S}\mathrm{P}\mathrm{E}统计量,并利用核密度估计计算统计量的控制限。计算测试数据对训练数据的核矩阵,将其投影在ICA模型上并计算测试样本的统计量,统计量超出控制限的样本即可被识别为故障样本。将该方法用于非线性数值例子和Tennessee Eastman（TE）过程的故障检测,并与传统的核主成分分析（KPCA）、核熵成分分析（KECA）和KICA方法进行对比,表明KEICA的监测效果优于其他三种方法。     

基于核熵独立成分分析的故障检测方法

传统核独立成分分析（KICA）依据特征值的大小进行降维,但是特征值大并不一定取得的信息熵贡献度也是最大的。针对这个问题,提出一种基于核熵独立成分分析（KEICA）的故障检测方法。将训练数据集投影在高维核空间,通过对数据信息熵的贡献大小选取核主成分,并建立独立成分分析（ICA）模型。对训练样本求{\mathit{I}}^{\mathrm{2}}和\mathrm{S}\mathrm{P}\mathrm{E}统计量,并利用核密度估计计算统计量的控制限。计算测试数据对训练数据的核矩阵,将其投影在ICA模型上并计算测试样本的统计量,统计量超出控制限的样本即可被识别为故障样本。将该方法用于非线性数值例子和Tennessee Eastman（TE）过程的故障检测,并与传统的核主成分分析（KPCA）、核熵成分分析（KECA）和KICA方法进行对比,表明KEICA的监测效果优于其他三种方法。     

基于RISOMAP的非线性过程故障检测方法

化工过程监控数据存在非线性特点,且过程常常运行于多个模态,针对该类问题,提出基于相对等距离映射(relative isometric mapping, RISOMAP)的过程故障检测方法,该方法采用相对测地距离构造高维空间的距离关系阵,运用多维尺度变换(MDS)计算其低维嵌入输出,从高维数据中提取子流形信息和残差信息分别构造监控统计量进行故障检测,同时运用核ridge回归在线计算测试数据的低维输出,核矩阵通过综合相似度进行更新。数值算例和TE过程的仿真结果表明,RISOMAP方法可以更为有效地实施故障检测,故障检测的灵敏度较高,同时也为基于流形学习的多模态过程故障检测的实施提供了一条思路。     

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...