基于CTA-DKPCA的化工过程故障诊断

在传统动态核主元分析(DKPCA)中引入循环时间算法(CTA),提出了基于循环时间算法与动态核主元分析(CTA-DKPCA)的故障诊断方法.该方法通过引入循环时间逻辑,对动态数据矩阵分段捕捉故障信息,提升了故障诊断精度与速度,再使用基于重构贡献(RBC)的方法来识别故障变量、诊断故障原因.将该方法应用于田纳西伊斯曼(T...     

基于ICA-PCA的化工流程仪表故障诊断

传统的多元统计过程控制(MSPC)的故障诊断方法要求观测变量数据服从高斯分布,然而实际化工流程中的仪表数据中难以满足这一要求。针对这一问题,提出在仪表数据中提取分离出非高斯信息和高斯信息,并分别利用独立元分析法和主元分析法建立不同的故障诊断模型。在检测到发生故障后,通过改进的贡献度算法定位出发生故障的仪表。通过对Tennessee Eastman(TE)过程数据进行仿真研究,验证了ICA-PCA故障诊断法在化工流程仪表不同故障诊断中的有效性。     

改进PCA在发酵过程监测与故障诊断中的应用

提出一种改进的主元分析(PCA)法．利用主元相关变量残差统计量代替平方预测误差Q统计量,并采用累积方差贡献率及复相关系数确定PCA模型的主元数．将改进的主元分析法应用于粘菌素发酵过程监测和故障诊断中,仿真结果表明改进的PCA方法避免了Q统计量的保守性,并保证了主元子空间中的信忠存量．与一种基于特征子空间的系统性能监控方法相比较,改进的PCA方法具有更强的有效性．     

基于数据分析的化工过程监测

为了改善主元分析对带噪声过程的监测性能,本文结合小波包分析消噪性能与主元分析提取变量间相关性能的特点,提出了一种小波包主元分析方法。给出了基于小波包主元分析的过程监测的算法实现。并在此基础上,对TE过程进行了监测性能仿真。结果表明小波包主元分析方法有较好的监测性能。     

基于主元特征提取的汽轮机性能监测和故障诊断

提出了一种基于主元特征提取的汽轮机性能监测和故障诊断新方法,该方法充分利用了发电机的过程数据信息,通过计算监控统计量Hotelling’s T2和SPE来监测汽轮机的运行。若T2或SPE统计量超过置信上限,则判定系统存在故障或异常,可以通过相似度分析的方法来确定故障发生的原因,汽轮机历史故障数据集仿真试验验证了该方法的有效性。     

基于改进的MPCA与DTW方法及其在批过程故障诊断中的应用

针对传统的多向主元分析(Multiway Principal Component Analysis,MPCA)常会导致误诊断,且对批生产过程难以保证在线状态监测和故障诊断的实时性,提出了一种改进的MPCA与动态时间错位(Dynamitc Time Warping,DTW)方法,该方法采用多模型非线性结构代替传统的MPCA单模型线性化结构,并利用对称式DTW算法解决了多元轨迹同步化的问题。将该方法应用到青霉素发酵批过程的在线故障监测中,结果表明它克服了MPCA不能处理非线性过程和实时性问题,并避免了MPCA在线应用时预报未来测量值带来的误差,提高了批过程性能监测和故障诊断的准确性。     

基于PCA的动态化工过程实时故障监测系统研究

如何确保化工过程安稳运行,被科研工作者视为1个重要研究方向.但能够成功应用于实际化工过程上的故障监测系统却寥寥无几.本文深入研究了丰元分析的原理,在主元分析方法的基础上,利用VS2005开发工具,完成了基于主元分析算法的推理引擎,开发了动态化工过程实时故障监测系统,并利用乙烯装置热区分离工段的仿真系统,从中选取了21个可测变量,通过仿真实验,当故障发生时,能够准确的找到故障.验证了该监测系统的有效性,取得了较好的效果.     

化工过程监测与故障诊断系统设计与开发

化工过程监测与故障诊断是计算机集成过程运行系统中的一项关键技术,是保证生产过程安全运行的重要环节。文章结合数据分析与专家系统技术,提出了一种化工过程监测与故障诊断系统结构,包括三大部分:离线组态环境、数据库、在线运行环境。该系统采用开放式结构,具有很好的通用性和可扩充性。可用于一般化工过程的监测与故障诊断中。     

基于敏感稀疏主元分析的化工过程监测与故障诊断

提出敏感稀疏主元分析(SSPCA) 算法用于监测复杂的化工过程. 根据主元分析与数据矩阵奇异值分解之间的关系, 通过将??_2,1 范数作为目标函数和惩罚项得到一个获取稀疏主元负载的凸优化问题, 并通过一个迭代算法进行求解. SSPCA 算法能同时兼顾大得分主元与小得分主元在监测算法中的作用, 提高了其对故障的敏感度. 证明了SSPCA 算法的单调性和全局收敛性, 对田纳西伊斯曼过程一个算例的监测结果表明了SSPCA 算法的有效性.

     

基于多块核主元分析的复杂过程的分散故障诊断

提出多块核主元分析算法, 基于此算法针对复杂过程提出了新的故障检测和诊断方法. 通过对整体过程分块统计残差实现非线性过程的分散故障诊断目的, 相应的控制限用来分离引起故障的位置或发现引起故障的变量. 提出的方法应用到田纳西过程得出的结论为: 该方法能够有效地提取块内和块间的非线性信息并显示出优越的故障诊断能力.     

基于贡献率法的非线性工业过程在线故障诊断

在过去几十年,核主成分分析（KPCA）已经广泛应用在数据驱动的过程监测领域. 大量的应用案例显示该算法简单、易用且有效. 然而,核函数的引入使得KPCA不能直接利用传统的贡献图方法进行故障诊断. 本文在重新审视和分析现有KPCA相关诊断方法的基础上,提出了一类新的贡献率方法,该方法能较清晰地解释故障变量. 在此基础上,建立了一套面向非线性在线故障诊断的框架. 最后,将该诊断框架应用到CSTR过程,结果显示该方法较传统的线性方法更有效.     

基于改进主元分析方法的化工生产过程的故障检测

针对化工生产过程中出现的对于过程影响较小的故障,提出一种改进主元分析方法,该方法引入了主元子空间之间的差别的概念.仿真研究中,将该方法与传统的主元分析方法同时应用于TE过程中,结果表明改进主元分析方法比传统的主元分析方法(PCA)能更好的检测出对于过程影响较小的故障.     

多元统计性能监视和故障诊断技术研究进展

综述了多元统计分析方法在线性、非线性、多尺度领域中的理论研究进展.分析和总结了连续生产过程和批量间歇生产过程性能监视和故障诊断的应用情况.最后探讨了这一领域中值得进一步研究的问题和可能的发展方向.􀁱     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

基于PCA多变量统计的故障检测与诊断

主元分析(PCA)是一种能够对过程生产进行监测和质量控制的有效方法,在保证数据信息丢失最少的情况下,大大降低了原始数据空间的维数。为了更好地进行故障检测与诊断,介绍了基于PCA多变量统计的故障检测与诊断,给出了广泛应用在多变量统计过程上的T2和Q(或SPE)统计量。利用PCA分析建模可以消除变量间的非线性关联,降低噪声影响。用田纳西-伊斯曼过程TEP(Tennessee-Eastman Process)平台产生仿真数据,并利用Matlab软件建立故障检测与诊断模型。通过T2和Q(或SPE)统计量与其阈值的判断,进行对系统的故障检测与诊断。实验表明,基于PCA的故障诊断方法能够对过程的非正常变化做出反应,也能较正确地找出发生故障的原因以及相应环节。     

一种基于时序的状态监控及故障诊断系统

复杂系统在研发及运行过程中会产生大量的状态量及参数记录,为判定系统运行的健康状况,往往在运行结束后对其进行挖掘分析。在对数据分析的过程中,信号的时序变化成为复杂系统运行状态评估的重要参照之一,但是目前将时序分析作为独立分析模块进行状态监测的研究较少。在时序分析方面进行了改进,使用阈值判断结合时序分析的方法对复杂系统的监测点信号进行数据分析,根据分析结果使用专家系统进行基于案例的信号匹配及故障诊断,实现复杂系统基于时序的状态监测及故障诊断。提出的状态监测及故障诊断系统除了适用于对时序要求较高的复杂系统以外,对航天探测、新能源设备研发、医疗技术发展及海洋、大气、大地环境监测等领域都具有应用价值。     

基于多重局部重构模型的连续过程故障诊断

为了提高故障诊断性能, 本文对故障特征随时间发展变化的多样性进行了探讨分析. 本文揭示了故障过程呈现时变特性, 即故障过程在不同时段反映出不同的变量相关性, 提出了一种故障时段划分算法. 该算法将故障划分为不同时段, 在每一个时段中, 故障特征被认为是基本类似的. 在此基础上, 针对不同时段建立了不同的故障分解模型, 并揭示了不同故障状态与正常状态的关系. 通过划分不同故障特征, 可以区分不同的故障特征, 建立更精确的重构模型. 该方法很好地阐述了故障的演变行为特征, 能够更精确地进行故障重构从而确定故障原因. 通过在田纳西伊士曼仿真过程上的应用验证了该方法的可行性及诊断性能.     

基于信息增量矩阵的故障诊断方法

主元分析(Principal component analysis, PCA)是一种常用的故障检测方法,由于特征提取不准确, 在用于故障诊断时常存在误报率和漏报率较高的现象.为此,本文首先介绍了基于全局的协方差矩阵的信息增量矩阵的故障诊断方法,虽然相比PCA方法它能有效减少误报率和漏报率, 但随着采样样本的增加,会因计算得到的阈值越来越不具代表性和计算量较大等原因而影响该方法的性能.然后,建立了基于局部数据的移动窗口协方差矩阵的信息增量矩阵的故障诊断方法, 以克服上述方法中存在的不足. 该方法主要通过定义局部协方差矩阵、局部信息增量矩阵、局部信息增量均值、 局部动态阈值、异常检测与判定等过程完成.最后,通过两个数值仿真例子来验证PCA方法、 基于全局的协方差矩阵的信息增量矩阵方法以及本文方法在故障误报和漏报方面的检测效能. 实验结果表明,本文方法具有最好的检测性能.