PCA-SDG在TEP多源故障诊断中的应用

针对传统基于SDG(符号有向图)的故障诊断方法对每个变量节点状态和高低阈值难以确定,且对各个变量单独统计,不考虑变量间相互关系的缺点,提出一种PCA(主元分析)与SDG相结合的故障诊断方法,并将其用于多源故障诊断中。将PCA得到的出现故障征兆的变量在SDG模型上进行反向推理,找到故障源。通过TEP仿真实验验证,表明该方法能够及时有效地检测出单个或多个故障,提高了诊断的准确性与分辨率。     

基于多块相对变换独立主元分析的故障诊断方法

针对复杂工业过程中故障诊断技术存在数据可分性差、噪声干扰、故障定位困难的问题,提出一种基于多块相对变换独立主元分析(MBRTICA)的故障诊断方法.为了使所提取的故障特征具有可分性,采用相对变换原理与FastICA算法融合的方式构建相对变换独立主元分析方法(RTICA)用于检测故障的发生.通过引入多块理论,将高维数据分成多个子块单元,并在每个子块单元内分别进行RTICA处理,确定故障发生的位置.最后用电主轴轴承裂纹故障的实验对所提方法进行验证,实验结果表明,基于MBRTICA的故障诊断方法可提高数据的可分性,能够有效减少噪声,同时提高故障检测的精度, 实现故障定位功能, 全面地对故障进行分析.     

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.     

模糊SDG故障诊断及推理方法研究

本文概述了故障诊断技术在国内外发展及各种故障诊断技术的理论方法,针对定性符号有向图(SDG)故障诊断技术在定量信息表达虚假解多、分辨率差等缺点,在定性sDG故障节点引入阈值的概念,将符号有向图节点偏差模糊化为定性模糊偏差,建立了基于SDG模型和模糊融合的故障诊断方法,包括SDG建模、故障源数检验和故障诊断等步骤.     

基于SDG模型和模糊融合的故障诊断方法

将符号定向图SDG（Signed Directed Graph）节点偏差模糊化为定性模糊偏差,并从子节点向父节点对其进行数据融合,得到父节点故障源可能性,分析了该模糊融合传递信息的特性和处理各种发生故障的情形的优点。建立了基于SDG模型和模糊融合的故障诊断方法,包括SDG建模、故障源数检验和故障诊断等步骤,并以铝电解槽故障诊断为实例,说明了这种方法的有效性。     

综合性SDG故障诊断架构

基于模型的SDG(Signed DiGraph,符号有向图)故障诊断方法因其具有完备性好、推理深度高等优点在过程工业安全工程中具有十分重要的意义,已成为安全工程中的1种关键技术。本文在以前研究的基础上,提出了1个综合性SDG故障诊断架构,以期能够实现在生产过程中及时发现故障并判明故障源。该综合性故障诊断架构按模型、推理和应用3个层次搭建,以传统定性SDG及概率SDG理论为基础,包含了从模型建立到故障诊断推理,从定性SDG方法到结合统计监控的SDG方法再到概率SDG方法等一系列实施方案。该综合性SDG故障诊断架构由于引入了多元统计监控模型,使得在系统没有表现出明显的故障征兆时就能够及时敏感地检测到异常变化,进而触发SDG及PSDG推理来实现对故障源的查找,并给出各故障源发生故障的概率值,以指导使用者按照概率值的大小顺序采取处理措施。以某石化公司的气体分馏装置为实际背景,利用该装置实时数据库中的实际生产工艺数据对该综合性诊断架构进行了实例验证,其故障诊断结果与实际发生的故障相吻合,证明了该综合性故障诊断架构的有效性。     

基于KPCA的半定量SDG过程故障诊断方法应用研究

近年来,过程工业安全事故频发,这使得加强生产过程安全保障变得迫在眉睫,而对于过程故障的监测、诊断是有效规避故障产生严重后果的一个有效方法。本文提出了一种基于核主成分分析(KPCA)的半定量符号有向图(SDG)故障诊断方法。此方法运用KPCA对过程进行异常检测,当找到异常过程变量后,通过引入相对偏移率和分类诊断对传统SDG进行改进,从而得到故障的完整传播路径,为故障诊断以及后续的故障处理提供了有效的指导。通过在TE过程中的仿真验证,结果表明,本方法诊断效率高,精确度高,为保证生产安全运行,提高产品质量提供了新途径。     

基于分层分块DLPPCA-SVM的复杂工业过程监测与故障诊断方法

针对工业过程动态性及非线性强等特点,提出一种基于动态局部保持主成分分析法的过程监测方法.该方法通过构造扩展矩阵来解决动态过程中各采样点间相关性强的问题,并将局部保持投影(LPP)与主成分分析法(PCA)相结合从而实现提取流形结构的最大方差信息.在此基础上,针对复杂工业过程变量复杂多变、呈不同特性的特点,提出基于分层分块DLPPCA-SVM(dynamic locality preserving principal component analysis-support vector machine, DLPPCA-SVM)的过程监测及故障诊断方法,该方法针对不同特性的子块分别采用DLPPCA和PCA进行建模,并利用支持向量机进行故障诊断.将该方法用于田纳西-伊斯曼(TE)化工过程和发电机组的在线监测和故障诊断,仿真结果验证了所提出方法的有效性.     

模糊概率SDG模型及故障推理方法

基于符号有向图(SDG)的故障诊断方法具有良好的完备性和易于解释性,但其存在分辨率差的缺陷,为此提出基于模糊概率SDG模型和贝叶斯推理的半定量故障诊断方法.用模糊变量表示节点变量,用条件概率表(CPT)表达节点间的定性因果关系,利用贝叶斯推理和回溯搜索找出故障源候选解的集合,并对候选解进行排序.最后建立了某卫星一次电源系统的诊断模型.仿真结果表明,该方法有效地提高了诊断的分辨率,适用于航天器在轨故障诊断.     

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.     

基于模糊推理的SDG故障诊断新方法

针对纯定性的SDG推理方法忽略了SDG图中节点之间的影响程度不同导致诊断分辨率不高这一问题,提出了在纯定性SDG推理的基础上用模糊矩阵的形式加入节点间相互影响关系的定量信息的推理新方法,可对多潜在故障源划分优先级,从而提高SDG故障诊断的分辨率。相对于其他模糊SDG故障诊断方法,本方法勿需使用隶属函数,取而代之的是模糊矩阵,后者的获取易于前者,且采用矩阵的表示方法方便了计算机编程的实现。     

基于模糊分层SDG模型的故障推理方法

针对传统 SDG 模型诊断方法存在的诊断分辨率低、速度慢、效率低等不足,提出了一种基于模糊分层SDG模型的故障推理方法. 首先建立系统的SDG模型,并进行分层;再利用模糊变量表示节点变量,用条件概率表表达节点间的定性因果关系;最后利用贝叶斯推理和回溯搜索找出故障源候选集,并对候选解进行排序. 应用提出的方法,进行了某型号航空发动机燃油调节系统故障诊断,结果表明该方法能够提高诊断的分辨率和效率,诊断结果准确而且完备.     

基于趋势分析和SDG模型的故障诊断

基于趋势分析的故障诊断受数据影响较大,基于定向符号图(signed d irected graph)模型的故障诊断难于建模和推理,而两者结合以提高故障诊断效果的方法还未被考虑.本文将趋势分析的趋势信息和SDG模型的节点信息进行了比较,阐明了两者信息互补的特点,然后利用趋势分析建立SDG模型,并利用SDG模型改进基于趋势分析的故障诊断,建立了数据驱动方法和基于模型方法相结合的故障诊断方法.CSTR(continuous stirred-tankreactor)实例分析表明,基于趋势分析和SDG模型的故障诊断方法提高了诊断的准确性和精确性.     

模糊SDG故障诊断方法及其应用

基于SDG的故障诊断方法在使用过程中,由于阈值设定不合理会导致故障的误报或漏报。针对该问题展开研究,提出模糊SDG模型,建立五级SDG模型并引入参数模糊隶属度,提出相应的模糊推理算法。通过将模糊SDG模型及其推理方法应用于某常减压蒸馏装置进行故障诊断实例分析,验证了方法的有效性和可行性。