连续聚合反应的ICA故障诊断方法研究

针对工业生产中的数据一般无法严格服从高斯分布的问题,采用独立分量分析方法建立了完整的多变量统计过程监控系统结构。以ICA算法提取独立分量,为了提高后续分析的准确性,提出了运用相关系数法剔除伪独立分量的方法;并对独立分量空间进行划分,分别计算两类统计量:I2、Ie2统计量和SPE统计量,确定其控制限,与在线数据进行对比,进行过程的监测与故障诊断。通过一个具体的连续聚合反应过程的仿真实例,证明了这种方法的可行性和有效性。     

基于CW-HCA联合指标的高含硫天然气净化过程故障监测

高含硫天然气（HSG）净化过程复杂,导致安全开发风险极高。因此保障净化系统可靠运行、实现过程安全生产具有重要意义。对于类似化工过程,在独立成分分析（ICA）方法基础上,高阶累积量分析（HCA）用样本三阶累积量代替均值方差构造统计指标大大提高了检测率。然而,HCA构造独立分量空间指标时未考虑不同独立分量间重要性差异,这可能致使监测结果经样本高阶累积后出现一定程度的偏差。同时,采用多指标监测策略可能出现指标间监测结果相互冲突问题。为此,提出一种基于贡献度加权高阶累积量分析（CW-HCA）联合指标的故障监测方法。该方法根据独立分量的贡献度对样本的三阶累积量进行加权;再将加权后的指标与残差空间指标联合获得联合指标,实现监测。TE以及HSG净化过程的实验结果表明,所提算法相比ICA算法、HCA算法具有有效性和优越性。     

基于CW-HCA联合指标的高含硫天然气净化过程故障监测

高含硫天然气(HSG)净化过程复杂,导致安全开发风险极高。因此保障净化系统可靠运行、实现过程安全生产具有重要意义。对于类似化工过程,在独立成分分析(ICA)方法基础上,高阶累积量分析(HCA)用样本三阶累积量代替均值方差构造统计指标大大提高了检测率。然而,HCA构造独立分量空间指标时未考虑不同独立分量间重要性差异,这可能致使监测结果经样本高阶累积后出现一定程度的偏差。同时,采用多指标监测策略可能出现指标间监测结果相互冲突问题。为此,提出一种基于贡献度加权高阶累积量分析(CW-HCA)联合指标的故障监测方法。该方法根据独立分量的贡献度对样本的三阶累积量进行加权;再将加权后的指标与残差空间指标联合获得联合指标,实现监测。TE以及HSG净化过程的实验结果表明,所提算法相比ICA算法、HCA算法具有有效性和优越性。     

化工过程故障诊断中的多元统计方法

综述了多元统计方法在化工过程故障诊断领域的理论进展和应用现状,介绍了一些主要的多元统计方法,其中包括主元分析、部分最小二乘、独立成分分析和Fisher判别分析,展望了多元统计方法在化工过程故障诊断领域的发展与应用前景。     

基于独立分量分析的金属腐蚀声发射信号处理

介绍了独立分量分析的基本原理和以峭度为目标函数的独立分量提取算法的梯度算法,并通过实例说明了利用独立分量分析对金属腐蚀过程声发射信号进行分析的方法,验证了独立分量分析技术在声发射信号分析方面的优越性和实用性,表明独立分量分析在声发射信号处理等领域有着巨大的应用潜力。     

基于滑动窗PCA的PVC聚合过程在线监测

探讨了滑动窗PCA子时段建模和在线监测方法在PVC聚合过程的应用。采用滑动窗口,分析过程相关性的变化进行子时段的划分,增进对过程的理解,可以估计生产状况,进而为将来的优化控制奠定一定的基础。在子时段建立过程监测模型,可有效地进行过程监视,降低误报率和漏报率。应用结果验证了该方法的有效性,为保证PVC聚合过程正常、安全提供了一个有效方法。     

独立元子空间算法及其在故障检测上的应用

针对高维数据建模问题,提出一种独立元子空间算法(ICSM),作为一种新的集成学习算法,ICSM利用独立元在不同变量上的贡献度来选取子空间,符合了集成学习的要求,具备了明确的物理意义,有效地克服了随机子空间算法(RSM)的主要缺点。在此基础上,进一步将ICSM应用于工业过程监控,提出了一种新的ICSM-PCA故障检测算法。首先在各个子空间内分别建立相应的PCA监测模型,然后根据T~2和SPE统计量的值计算出集成时各自的权重,最后构造两个集成统计量对工业过程进行监测。通过在Tennessee Eastman(TE)模型上的仿真研究,说明提出的算法具有较好的建模效果和故障检测能力。     

基于分布式ICA-PCA模型的工业过程故障监测

提出基于分布式ICA-PCA( independent component analysis-principal component analysis)模型的工业过程故障监测方法,适合于复杂工业过程难以自动划分子块及过程数据存在非高斯信息的情况。首先,对过程数据进行PCA分解,并在PCA主成分不同的方向上构建不同的子块,把原始特征空间自动划分为不同子空间。然后,对各个子块采用ICA-PCA两步信息提取的策略,提取出高斯信息和非高斯信息,并构建新的统计量和统计限。最后,通过Tennessee Eastman(TE)过程的仿真实验,验证所提出故障监测模型的有效性和可行性。     

基于局部信息的LNS-PCA的多模态过程故障监测

为了满足各种不同的企业生产需求，在实际化工过程中往往包括许多不同的运行模态。因为涉及内部各种反应的复杂性和微妙性，且各个环节相互联系，导致化工过程数据呈现高斯与非高斯数据相互混合的情况，传统多元统计监控(Multivariate Statistical Process Monitoring, MSPM)在多模态数据故障检测领域精确度较低。因此进行准确的复杂化工过程故障检测仍然是一大难题。针对这一类问题，本工作提出了一种新的基于局部信息的近邻标准化和主成分分析(Local Information Local Neighbor Standardization and Principal Component Analysis, LLNS-PCA)的方法建立高精确度的故障诊断模型。首先对样本利用高斯混合模型(Gaussian Mixture Model, GMM)方法分解成多个局部样本，应用每一个局部样本的平均值和方差进行近邻标准化，再使用主元分析进行故障监测。基于PCA监测模型，采用T2和SPE两种监测统计量对多模态过程进行监测。最后通过数值例子和青霉素生产过程验证其有效性。结果表明，相对于...     

基于主元子空间富信息重构的过程监测方法

作为一种经典的多元投影方法,主元分析(PCA)已在多变量统计过程监测领域得到了广泛应用。然而,传统的主元挑选方法往往选择方差较大的主元以表征建模样本中包含的较大信息量,但当过程信息发生变化时,方差较小的主元所表现出来的变异性可能更为明显,即包含的信息量更为丰富,也更有利于故障检出。为此,提出一种基于主元子空间富信息重构的过程监测方法(informative PCA,Info-PCA)。该方法通过计算过程数据在各主元方向上累积T2统计量的变化率,选择变化较为明显的主元以重构主元子空间。在此基础上,建立相应的统计监测模型。最后,通过实例验证该方法用于过程监测的可行性与有效性。     

基于ICA的控制回路故障诊断方法

针对控制回路中各种设备的监测信号之间存在较强的关联性和非高斯分布的特点,首次将独立分量分析法(ICA)用于控制回路的故障诊断中。分别选取回路中控制器输入和输出、执行器输出、变送器输入和输出作为信号观测点,选择控制回路正常运行状况的数据进行ICA建模,获得I2和SPE统计限,当控制回路某个元件发生故障时可以通过统计量的变化对其进行监测。此外,还采用均值贡献率进行故障点定位,有效降低了故障的误诊率。     

基于主元子空间富信息重构的过程监测方法

作为一种经典的多元投影方法,主元分析（PCA）已在多变量统计过程监测领域得到了广泛应用。然而,传统的主元挑选方法往往选择方差较大的主元以表征建模样本中包含的较大信息量,但当过程信息发生变化时,方差较小的主元所表现出来的变异性可能更为明显,即包含的信息量更为丰富,也更有利于故障检出。为此,提出一种基于主元子空间富信息重构的过程监测方法（informative PCA,Info-PCA）。该方法通过计算过程数据在各主元方向上累积T²统计量的变化率,选择变化较为明显的主元以重构主元子空间。在此基础上,建立相应的统计监测模型。最后,通过实例验证该方法用于过程监测的可行性与有效性。     

Approach to Control Loop Fault Diagnosis Based on ICA

针对控制回路中各种设备的监测信号之间存在较强的关联性和非高斯分布的特点,首次将独立分量分析法( ICA)用于控制回路的故障诊断中.分别选取回路中控制器输入和输出、执行器输出、变送器输入和输出作为信号观测点,选择控制回路正常运行状况的数据进行ICA建模,获得I2和SPE统计限,当控制回路某个元件发生故障时可以通过统计量的变化对其进行监测.此外,还采用均值贡献率进行故障点定位,有效降低了故障的误诊率.     

主元空间中的故障重构方法研究

主元分析 (PCA)作为一种数据驱动的统计建模方法,在化工产品质量控制与故障诊断方面获得了广泛研究和应用.利用故障子空间的概念,研究了基于T²统计量的故障重构问题,获得了主元空间中的完全重构、部分重构,以及可重构性的条件.为进一步在主元空间中进行故障分离和识别提供了可能.通过对双效蒸发过程的仿真监测,对不同传感器的故障类型、幅值等重要信息进行重构和波形估计,证实了所获结果的有效性.     

基于PCA混合模型的多工况过程监控

针对传统多元统计故障检测方法大多假设测量数据服从单一高斯分布的不足,提出了一种基于PCA(principal component analysis)混合模型的多工况过程监测方法。首先通过直接对混合模型的各高斯成分的协方差进行PCA降维变换,使得协方差阵对角化,既减少了运算量又避免了变量相关而导致的奇异性问题;同时采用BYY增量EM算法自动获取混合模型的最佳混合分量数目,避免了常规EM算法的不足。所得的混合模型,除包括均值、协方差和先验概率等参数外,还包括了PCA载荷阵,即对每个混合元建立了PCA模型。然后给出了统计量定义,实现对多工况过程的故障检测。数值例子和TE过程的应用表明,本文提出的方法无需过程先验知识,能自动获取工况数目、精确估计各个工况的统计特性,并更准确及时地检测出多工况过程的各种故障。     

基于共同趋势模型的非平稳过程在线监控

对于非平稳过程监控,传统的基于数据平稳假设的多元统计过程控制方法是不适用的。针对上述问题,提出了一种基于共同趋势模型的非平稳过程监控方法。共同趋势模型从存在协整关系的非平稳多元变量中辨识出共同因子,将各非平稳过程变量分解成非平稳的共同趋势成分与平稳成分之和的形式。不同于现有的基于协整模型的非平稳过程监控方法,共同趋势模型能够获取各非平稳变量中的平稳成分,消除非平稳共同因子的影响并体现变量间全部的动态均衡关系。将对非平稳过程的监控变为应用共同趋势模型,分解得到各非平稳过程变量中的平稳成分,然后应用传统的多元统计方法,估计平稳成分的统计量及相应的控制限进行监测。石油蒸馏过程监控的实例研究结果表明,所提出的方法比基于协整新息变量的方法具有更可靠的监控效果。     

磨机减速机滚动轴承特征提取和故障诊断研究

滚动轴承是水泥磨机减速机的核心组件,同时也是故障频发的部件之一,为保证其健康、安全、高效的运行,本文将独立分量分析(ICA)与支持向量机(SVM)方法结合,为磨机减速机滚动轴承的故障诊断提供一个新的思路。首先提取轴承不同故障状态下观测信号的独立分量,再对独立分量(ICA)进行奇异值分解从而得到特征信息,最后联合支持向量机(SVM)将特征信息进行故障识别。数据处理结果表明这种特征提取的方法是有效的。     

基于共同趋势模型的非平稳过程在线监控

对于非平稳过程监控,传统的基于数据平稳假设的多元统计过程控制方法是不适用的。针对上述问题,提出了一种基于共同趋势模型的非平稳过程监控方法。共同趋势模型从存在协整关系的非平稳多元变量中辨识出共同因子,将各非平稳过程变量分解成非平稳的共同趋势成分与平稳成分之和的形式。不同于现有的基于协整模型的非平稳过程监控方法,共同趋势模型能够获取各非平稳变量中的平稳成分,消除非平稳共同因子的影响并体现变量间全部的动态均衡关系。将对非平稳过程的监控变为应用共同趋势模型,分解得到各非平稳过程变量中的平稳成分,然后应用传统的多元统计方法,估计平稳成分的统计量及相应的控制限进行监测。石油蒸馏过程监控的实例研究结果表明,所提出的方法比基于协整新息变量的方法具有更可靠的监控效果。     

基于多动态核聚类的间歇过程在线监控

针对传统的多元统计监测方法不能有效检测工业过程中由于初始条件波动较大所引发的弱故障问题,提出一种基于多动态核聚类的核主元分析(DKCPCA)监控策略,实现多阶段间歇过程的弱故障在线监控.该方法首先针对过程中各阶段每一批次数据结合自回归移动平均时间序列模型(ARMAX)和核主成分分析(KPCA)方法分别建立动态核PCA模型,然后根据各批次模型间载荷的相似性采用分层次聚类方法进行聚类,最后将聚在一起的批次数据进行展开重新再建立动态核PCA模型,随着聚类数目的不同从而建立多个类模型.当在线应用时给出了多模型选择策略,以提高监测精度.将此方法应用于青霉素发酵过程的监控中,监测结果表明此方法取得了比DKPCA和MKPCA更好的监测性能.     

基于故障敏感主元的多块PCA故障监测方法

为了解决传统主元分析(PCA)故障监测方法中主元选择不合理问题,提出一种基于故障敏感主元的多块PCA故障监测方法。该方法基于正常工况数据集进行PCA分解,得到投影方向与特征值;定义一种故障敏感程度系数作为新的主元排序准则,以选择出每个变量方向上故障监测最敏感的主元;并建立相应的子模型,计算其监测统计量,利用贝叶斯信息准则(BIC)对监测结果进行融合。通过对田纳西伊斯曼(TE)过程和高炉炼铁过程中的应用仿真,结果表明所提方法有效地选取了主元,并且提升了故障监测模型的精度。