基于MEWMA PCA的微小故障检测方法研究及其应用

针对过程中难以检测到的微小、缓变故障的检测问题，提出一种新的多变量统计过程监测方法，把传统的单变量EWMA扩展为多变量EWMA，并与PCA方法相结合，构成新的MEWMA-PCA方法，重新构造统计量 和 并建立其对应的统计限，详细分析了各个统计量的统计性能指标及其影响因素。通过对Tennessee Eastman（TE）过程的仿真研究，说明提出的方法是可行的，并有效地改进了该过程微小故障的检测效果，从而更好地保证了过程运行的安全、稳定性。     

基于自适应PCA的高频电源故障检测

针对高频电源故障检测问题,考虑系统的时变性和各变量之间的相关性,在传统主元分析(Principal Component Analysis,PCA)的基础上,引入实时模型更新,提出一种改进的自适应主元分析方法。首先,正常工况下建立历史数据矩阵,对实时采集的无故障数据进行相似度计算,决定模型的局部更新,结合历史数据和更新数据进行协方差矩阵的权重分配,然后,建立新的主元模型,最后使用SPE和T2结合的统计量进行在线故障检测。Matlab环境下,对高频电源现场数据进行仿真验证,表明该方法具有较好的实时性和准确性。     

基于故障重构的故障识别

针对基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测法,尽管不依赖于精确的数学模型,然而却限制了其在故障诊断方面的能力问题,在故障重构技术的基础上,研究了基于统计量的故障诊断问题,获得了主元子空间中故障可重构性的理论条件,提出了故障识别指标和诊断算法.通过对双效蒸发过程...     

控制系统状态故障的可检测性研究

从控制系统的结构出发 ,对线性系统状态故障的可检测性进行了讨论 ,提出并证明了线性能观系统的状态故障是可检测的结论     

利用主元方法进行传感器故障检测的行为分析

主元分析方法(PCA)是基于多元统计分析的过程监测和故障诊断手段。在假设过程只存在传感器故障的情况下，系统地分析了PCA方法在传感器典型故障下的检测行为。首先导出了Hoteuing T^2和Q两个检测统计量在传感器不同故障下的变化关系和规律，然后从理论上给出了每个传感器故障的可检测性条件。最后通过火电厂锅炉过程中传感器故障检测实例验证了所得到的结论。     

双线性检测滤波器及其故障可检测条件

研究了双线性检测滤波器的故障可检测条件. 设计了一种检测滤波器, 并得到了其故障完全可检测的严格条件. 结果表明要使检测滤波器故障完全可检测, 系统独立的传感器和独立的状态数至少和系统故障种类相同. 这个结果符合线性空间的性质. 最后利用所构造的滤波器分析了算例.     

基于KPI子空间的工业过程自适应故障检测

针对具有时变特性的工业过程发生的故障是否影响关键性能指标的问题,提出一种基于关键性能指标(Key Performance Indicators,KPI)子空间的自适应故障检测方法(AFD-KPIS)。将正常过程数据空间分解为主元和残差空间。根据过程变量和关键性能指标（KPI）的相关性将主元空间分为KPI相关子空间和KPI无关子空间,并将残差空间Q统计量并入KPI无关子空间,在KPI两个子空间分别构建T2和k近邻故障检测统计量,在线检测判断为正常的数据通过时间窗更新到建模数据中进行用于模型的更新。通过数值案例和TE过程的仿真验证所提方法的有效性。     

基于PCA与KPCA的TE过程故障检测应用研究

针对传统主元分析法(PCA)应用于复杂非线性的化工过程故障检测时存在性能差的问题,提出利用核主元分析法(KPCA)来进行故障检测的思想.从而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.将上述方法应用于Tennessee Eastman(TE)化工过程模型,仿真结果表明,KPCA方法在复杂非线性化工过程敝障检测方面的应用明显优于普通的PCA方法.     

软件可测试性检测技术研究

软件的可测试性表示软件中故障检测的难易程度,是重要的软件质量特性之一。文章介绍相关的故障／失效模型和RELAY错误检测模型。提出了一个完整的软件故障检测过程：执行过程、传染过程、传播过程。对程序结构,最小表达式错误产生、计算转移、信息流转移等进行分析。提出了一种通过概率进行度量的可测试性静态检测方法,即整个程序可测试性由其包含的所有语句可测试性均值得到。     

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.     

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。     

基于平均空间的故障检测与诊断

本文针对故障检测与诊断中存在系统不确定性问题,应用空间近似法提出一种直接求 取残差增益使残差与系统不确定性最大限度解耦的方法,并提出区分执行机构故障和传感器 故障的方法,最后给出了仿真结果,仿真证明该方法具有计算量小、检测诊断可靠等特点．     

基于自适应子空间在线PCA的手势识别

基于视觉的手势识别系统的学习一般是离线的,导致系统对新手势的正确识别需要重新离线学习,因此系统实时性、可扩展性和鲁棒性较差,不适合认知发育的智能框架。文中提出了基于自适应子空间在线PCA的手势识别方法。该方法通过计算样本投影系数向量的PCA来实现子空间在线更新,并根据新样本与已学习样本的差异程度,调整子空间更新策略,使算法自适应于不同情况,减少计算和存储开销,实现增量的在线学习和识别手势的目的。实验表明,本文方法能处理未知手势问题,实现手势在线积累和更新,逐渐增强系统识别能力。     

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PCA与OLPP混合方法的化工过程故障检测

对于复杂的工业过程,采集到的过程数据能反映出生产过程的内在变化和运行状况。本文提出一种新的多变量统计过程监测策略,数据建模过程包含主元分析(Principal Component Aanlysis,PCA)与正交局部保持投影(Orthogonal Locality PreservingProjection,OLPP)两步。首先利用PCA在不丢失任何信息的前提下将原始数据旋转成不相关的潜变量,然后再作OLPP以提取能表征过程正常数据内在局部近邻结构的特征用于故障检测。利用T~2和SPE(或Q)统计量以及核密度估计方法确定的控制限进行化工过程的在线监测,TE过程仿真实验验证了该混合方法的有效性和优越性。     

基于图论的深空探测航天器故障可诊断性评价

为了衡量深空探测航天器的自主故障诊断能力,提出基于图论的故障可诊断性评价方法.在对加权有向图进行介绍的基础上,给出强可推导结点、依赖于故障的可推导结点以及解析冗余结点等定义;分别提出故障可检测性和可分离性判据并给出相关证明,考虑深空探测航天器的资源约束问题,研究解析冗余关系优选方法;分析深空探测航天器的故障诊断层次,并对系统级故障诊断能力进行评价;最后,利用深空探测航天器的数学仿真数据对所提方法的有效性进行验证.     

基于最速下降法的可制造性模型

可制造性设计技术使设计者尽早得到设计版图能否被制造的信息，以减少交流等待的时间。为此，提出一种可制造性模型，用一个或者多个卷积核描述设计版图和轮廓之间的关系，用最速下降法求得，求解过程仅需要输入版图和轮廓对。实验结果表明，该模型能够对设计版图的结果进行较好的预测，与通过光刻模型仿真结果之间的误差在1.8%以内。     

基于扩展有限状态机模型的故障检测

提出了基于扩展有限状态机的故障检测模型和检测算法。该模型对软件中的故障进行了形式化定义和描述,检测算法对故障模型中的状态变迁进行缩减,检测故障模型的部分状态变迁,进而可以有效缓解状态空间过大而引起的时间和空间效率问题,从而最大限度地发现被测系统中的故障;最后给出了一个简单协议来加以分析和验证。实验表明,该算法可以快速准确地定位软件中故障发生的位置。     

基于概率密度PCA的多模态过程故障检测

为了提高故障检测和分类能力,提出基于概率密度PCA的多模态过程故障检测算法。对各模态的训练数据建立PCA模型,计算各个模型的控制限和匹配系数。根据匹配系数计算各模态统一的控制限。对新来的数据,运用概率密度确定其模态。新来数据向对应模态的模型上投影并计算统一的统计量,比较统计量与控制限进行多模态过程故障检测。把该方法应用到数值例子和半导体过程中,仿真结果表明,该算法在分类及多模态过程故障检测方面具有很高的准确性。