基于自适应混合核典型变量分析的工业过程质量相关故障检测

质量相关故障检测技术是保障工业过程安全顺行和质量稳定的重要手段,是当前流程工业过程控制领域的研究热点.针对工业过程的非线性与动态特性及其质量相关故障的时变特性,提出一种基于自适应混合核典型变量分析(AMKCVA)的质量相关故障检测方法.该方法通过设计合理的混合核函数和自适应监测统计量,提升了工业过程质量相关故障的检测性能.通过对典型的热轧过程现场数据进行仿真验证,并与传统方法对比分析,表明了所提算法的有效性和实用性.     

基于动态高效潜结构投影的质量相关故障检测

高效潜结构投影(EPLS)算法是一种反映过程变量与质量变量相关关系的多变量统计分析方法,在质量相关故障检测中具有良好的检测效果.然而EPLS算法是一种静态检测模型,不能反映实际工业过程或装备测试中的动态特性,对动态过程中质量相关故障的检测率较低.为此,本文提出了一种基于自回归移动平均模型(ARMAX)的动态高效潜结构投影(D–EPLS)检测算法.该算法首先基于输入时滞值构建增广矩阵,反映工业以及装备测试过程中的动态特性;然后将增广矩阵分解为质量相关和质量无关空间分别进行故障检测;最后通过数值仿真和田纳西伊斯曼过程(TEP)验证算法有效性.实验结果表明所提算法能够更好的适应动态过程,并全面提高了质量相关故障的检测率.     

基于核典型相关性-熵成分分析的工业过程质量监测方法

工业过程多变量、数据高维度和非线性的特点使得对其质量监测及质量相关的故障诊断变得复杂.融合核熵成分分析(KECA)及典型相关分析(CCA)方法的思想,进行特征提取降维的同时确保所提取特征与质量变量的最大相关性,提出一种新的质量相关的工业过程故障检测方法.首先,采用KECA对输入数据进行核空间的映射及特征提取,同时融合CCA算法思想使得所提取特征与质量变量间关联最大化;然后,构建监测统计量并用Parzen窗估计其控制限,用于过程的故障检测;最后,运用所提方法对带钢热连轧工业过程实际生产数据进行分析,并与其他4种传统非线性算法对比分析,实验结果验证了所提方法的准确性、有效性及先进性.     

基于多目标决策的工控系统设备安全评估方法研究

目前的工业控制系统(Industrial control systems, ICS) 安全评估方法中,往往利用专家经验对系统设备受攻击的可能性进行赋值, 主观性较强.针对这个问题,本文提出了一种系统设备受攻击可能性的量化计算方法. 工控系统设备受攻击的可能性与两个因素有关,该设备受攻击后, 造成系统损害的严重程度与异常检测算法发现异常的时间长短.因此, 通过对工控系统中的各个设备发动相同攻击,记录各个设备受攻击后系统敏感指标的变化情况与异常检测算法发现异常的时间, 将敏感指标变化情况与发现异常时间作为量化指标,提出基于多目标决策的量化计算方法, 计算出各个设备受攻击的可能性.本文以田纳西--伊斯曼过程(Tennessee-Eastman process, TEP)为例,验证了计算方法的可行性,得到了设备受攻击可能性的量化计算结果.     

基于局部信息增量与MPLS的质量相关故障检测方法

在工业生产中,对系统进行故障检测具有十分重要的作用.改进的偏最小二乘(modified partial least squares,MPLS)是在PLS基础上提出的一种扩展算法,在质量相关故障检测中具有良好的检测效果,但当测试数据中含有质量无关故障时,MPLS算法漏报率较高.另外,MPLS算法的阈值为固定值会导致其误报率增加,这些问题会对工业过程监控产生较大影响.鉴于此,提出一种基于局部信息增量与MPLS的质量相关故障检测方法(local information increment-MPLS,LII-MPLS).在MPLS基础上,通过使用局部信息增量技术对测试数据进行实时更新检测后,质量相关故障的漏报率明显降低.同时,过程复杂化导致静态控制限不能满足故障检测的需求,现存的动态控制限适用范围具有一定局限性,因此改进静态控制限将其推广为局部动态阈值.最后,通过田纳西伊士曼过程(Tennessee Eastman process,TEP)仿真实验验证了所提出算法的有效性.     

基于正交信号修正与高效偏最小二乘的质量相关故障检测方法

偏最小二乘(PLS)是一种广泛应用于多变量统计过程监控中的有效算法,高效偏最小二乘(EPLS)是近年提出的一种PLS改进算法,在质量相关故障检测中具有良好的检测效果,但当测试数据含有质量无关故障时,EPLS算法的误报率偏高,可能导致误报警,对工业过程中的故障检测有较大影响.为降低检测质量无关故障的误报率,将EPLS结合4种正交信号修正(OSC)方法提出4种OSC-EPLS算法.用质量无关故障样本建立OSC模型对在线监测数据进行预处理,将处理后的信息用EPLS算法进行故障检测,误报率明显降低.最后结合田纳西-伊斯曼工业过程,应用OSC-EPLS、PLS、EPLS算法进行故障检测,分别比较误报率和有效报警率的大小,体现所提出算法在故障检测中的优势.     

基于动态内部主元分析和隐马尔科夫模型的动态过程故障检测与分类方法

随着工业生产过程的扩大, 保证生产过程的安全平稳高效运行日益受到重视. 因此, 对工业过程进行及时有效的监测与故障诊断具有重要意义. 一般而言, 工业过程采集的数据具有较强的动态性, 有效提取数据中的动态信息并进行分析极其重要. 本文基于动态内部主元分析(DiPCA)进行动态性分析并结合隐马尔科夫模型(HMM), 提出了一种新的故障诊断框架, 实现了动态过程故障检测与故障分类. 首先, 利用DiPCA算法提取正常工况下数据的动态特征; 然后, 利用HMM能够有效处理时序数据的特点, 对所提取的动态特征进行建模, 构建了动态过程的故障检测框架; 并利用HMM强大的模式分类能力, 对故障数据进行建模, 实现故障的分类; 最后, 将提出的方法用于田纳西-伊斯曼过程, 验证了该方法的有效性与优越性.     

基于相关性的多维时序数据异常溯源方法

提出一种基于统计学相关性分析的多维时序异常数据检测分析方法,以对检测中表现为异常的数据进行溯源:对反映系统故障的数据和传感器质量问题的数据进行分类,进而识别出真正的系统故障,避免误检.首先根据相关关系构建时序相关图,再进一步归纳为时序相关环模型,通过在时序相关图上搜索并确定时序相关环的过程,提取时序相关环中的特征,得到时间序列相关性集合.进而利用时间序列相关性集合进行时序数据异常来源检测,根据检测结果评估时序传感器数据对应的系统故障的几率.在真实的工业设备传感器序列数据集上进行大量实验,实验结果验证了该方法在高维时序数据的异常检测任务上的有效性.通过对比实验,验证了该方法从稳定性和效率上优于基于统计和基于机器学习模型的基准算法,时间序列的维度越高,该方法较基准算法的提升越明显.该方法通过对多维时序数据相关性知识的挖掘,既节约了计算成本,又实现了对多维异常数据来源的精准识别.     

自动编码器与典型相关分析方法联合驱动的工业过程质量监测

本文将自动编码器(AE)特征提取方法和典型相关分析方法(CCA)有机结合,提出了一种联合驱动的质量监测模型及其质量相关的故障检测方法.首先,利用AE算法对输入样本进行无监督自动学习和重构,实现数据的特征提取和降维;其次,利用CCA算法实现特征与质量变量关联最大化,建立质量变量与特征变量的关系模型;根据监测模型的潜结构投影,构建T2统计量和SPE统计量及其相应控制限.将提出的方法用于分析带钢热连轧过程现场实际数据,结果表明,基于自动编码器-典型相关分析方法(AE-CCA)的质量监测方法能够准确的检测出故障,并且检测效果优于传统的核典型相关分析(KCCA)算法.     

复杂动态系统的实际非完全失效故障的可诊断性评估

针对缺乏有效的非完全失效故障（Loss of effect,LOE）可诊断性量化分析方法的现状,本文提出了一种基于距离相似度的系统非完全失效故障的实际可诊断性评价方法.通过将状态空间描述的动态系统转换为时间堆栈动态模型,使故障的可诊断性评估分析问题转化为多元分布的相似度问题.给出系统非完全失效故障可检测性与可隔离性的相关定义,并对故障的可诊断性进行量化.通过求取最小二乘解计算最小巴氏距离,增大了算法适用范围.最后,通过仿真实例验证评价方法的有效性,并通过所提出的可诊断性评估算法求取非完全失效故障的最大可诊断效能系数.     

Two-stage quality adaptive fingerprint image enhancement using Fuzzy C-means clustering based fingerprint quality analysis

Fingerprint recognition techniques are dependent on the quality of fingerprint images. An efficient enhancement algorithm improves the performance of recognition algorithms for poor quality images. Performance improvement of the recognition algorithms will be more if the enhancement process is adaptive to the fingerprint qualities (wet, dry or normal). In this paper, a quality adaptive fingerprint enhancement algorithm is proposed. The proposed fingerprint quality assessment (FQA) algorithm assigns the appropriate quality class of dry, wet, normal dry, normal wet, and good quality using Fuzzy C-means clustering technique to each fingerprint image. It considers seven features namely, mean, moisture, variance, uniformity, contrast, ridge valley area uniformity (RVAU), and ridge valley uniformity (RVU) to cluster the fingerprint images into suitable quality class. Fingerprint images of each quality class undergo through a two-stage fingerprint quality enhancement (FQE) process. In the first stage, a quality adaptive preprocessing (QAP) method is used to preprocess the fingerprint images. Next, fingerprint images are enhanced with Gabor, short-term Fourier transform (STFT), and oriented diffusion filtering (ODF) based enhancement techniques in the second stage. Experimental evaluations are performed on a quality driven database of FVC 2004. Results show that the performance improvement of 1.54% to 50.62% for NBIS matcher and 1.66% to 8.95% for VeriFinger matcher are achieved while the QAP based approaches are used in comparison to the current state-of-the-art enhancement techniques. In addition, the experimentation is also performed on FVC 2002 database to validate the robustness and efficacy of the proposed method.     

一种新颖的深度因果图建模及其故障诊断方法

为了实现复杂工业过程故障检测和诊断一体化建模, 提出了一种新颖的深度因果图建模方法. 首先, 利用循环神经网络建立深度因果图模型, 将Group Lasso稀疏惩罚项引入到模型训练中, 自动地检测过程变量间的因果关系. 其次, 利用模型学习到的条件概率预测模型对每个变量建立监测指标, 并融合得到综合指标进行整体工业过程故障检测. 一旦检测到故障, 对故障样本构建变量贡献度指标, 隔离故障相关变量, 并通过深度因果图模型的局部因果有向图诊断故障根源, 辨识故障传播路径. 最后, 通过田纳西?伊斯曼过程进行仿真验证, 实验结果验证了所提方法的有效性.     

基于ISDAE模型的复杂工业过程运行状态评价方法及应用

工业过程的运行状态评价对保证产品质量及提升企业综合经济效益具有重要意义. 针对工业过程中存在强非线性、信息冗余以及不确定性因素影响而难以建立稳健可靠的运行状态评价模型问题, 提出一种基于综合经济指标驱动的稀疏降噪自编码器模型(Comprehensive economic index driven sparse denoising autoencoder, ISDAE)的复杂工业过程运行状态评价方法. 首先, 在SDAE (Sparse denoising autoencoder)模型中引入综合经济指标预测误差项, 迫使SDAE学习与综合经济指标相关的数据特征, 建立ISDAE特征提取模型. 其次, 将ISDAE模型所学特征作为输入训练运行状态识别模型, 级联特征提取模型和运行状态识别模型并通过微调网络结构参数获得运行状态评价模型. 另外, 针对非优状态, 提出一种基于自编码器贡献图算法的非优因素追溯方法, 通过计算变量的贡献率识别非优因素. 最后, 将所提方法应用于重介质选煤过程, 验证所提方法的有效性和实用性.     

基于混合型判别分析的工业过程监控及故障诊断

工业过程数据具有规模性大、复杂性高、变量多、关联性强等特点.如何从数据出发准确并快速地发现故障并处理, 保证过程高效运行意义重大.本文针对复杂的工业过程, 提出了一种多方法结合的混合型过程监控与故障诊断方法, 完成数据分类, 构建故障模型库, 故障在线诊断及可视化相关处理.首先通过常规主成分分析(Principal component analysis, PCA)方法对历史数据进行初筛, 区分出正常和故障信息, 然后利用聚类方法对故障数据集进行分类, 接着利用局部线性指数判别分析方法(Local linear exponential discriminant analysis, LLEDA)建立故障模型库进而进行故障诊断.本文将基于监督学习的LLEDA方法拓展到无监督学习, 便于复杂工业大量无标签数据的处理.最后利用典型的田纳西伊士曼(Tennessee Eastman, TE)过程对所提出的方法进行有效性验证.     

基于分块核主成分分析和支持向量机的故障检测

针对工业系统监测数据为非线性,且难以辨识复杂工作过程中故障位置的问题,提出一种基于分块核主成分分析(BKPCA)和最小二乘支持向量机(LS-SVM)的集成故障检测方法.首先对系统监测变量进行分块,使用KPCA对每个分块在特征空间中建立T2和平方预测误差(SPE)统计量来实时监测系统健康状态,并使用LS-SVM对上述过程检测出来的故障数据进行再次判断.随后计算出现故障后计算每一分块的故障贡献率,进而确定发生故障的分块.由于采用了并行分块算法,可以较简单的确定故障发生位置,提高计算效率,同时LS-SVM方法的应用也可以提升故障检测的精度.使用田纳西-伊斯曼化工(TE)过程数据对本文所提方法进行仿真验证,试验结果表明所提方法取得了较好效果.     

一种基于独立元贡献度的子空间故障检测方法

针对工业过程故障检测问题,本文定义了独立元贡献度和贡献度矩阵,提出一种改进的子空间检测算法.首先,利用独立元分析(independent component analysis,ICA)算法提取过程变量的独立元信息,通过计算各个独立元在过程变量上的贡献度,构造贡献度矩阵;然后根据贡献度的大小,挑选出对应的变量组成反映不同"源"信息的子空间,并在这些子空间上建立故障检测模型;最后综合以上的多个检测模型,根据实际的需求或者故障的传播特征,确定集成策略,对工业过程进行故障检测.通过在TE(Tennessee Eastman)过程上对21种故障工况和1种正常工况的仿真研究,说明提出的改进算法是有效的.     

基于博弈组合赋权的有源相控阵雷达收发组件脆弱性评估

面向有源相控阵雷达的核心部件—–T/R组件(transmit/receive module),提出综合脆弱性评估概念及其数学模型表达,给出定量评估的博弈组合赋权-优劣解距离方法.首先,从元件和系统两个层次出发分别构建脆弱性评估标准:利用元件自身物理特性建立故障树,基于蒙特卡洛仿真计算得到运行状态的物理脆弱性指标(即可靠性指标);根据系统的电路结构,建立其拓扑网络,计算结构脆弱性指标.然后,提出融合物理和结构的综合脆弱性评估数学模型,建立博弈组合赋权问题优化组合权重,结合优劣解距离法实现对T/R组件综合脆弱性的定量评估.实验结果表明, T/R组件的综合脆弱性不仅与各元件固有的可靠性水平相关,更与其系统的电路网络拓扑结构密不可分,所建立的综合脆弱性评估模型能够有效合理地辨识其薄弱环节.