基于密度权重支持向量数据描述的冷水机组故障检测

虚警率（FAR）是评价冷水机组故障检测性能的关键指标,用户无法接受过高的FAR。为了降低支持向量数据描述（SVDD）在冷水机组故障检测时的FAR,将密度权重集成到SVDD中,提出了一种基于密度权重支持向量数据描述（DW-SVDD）的冷水机组故障检测方法,该方法考虑了样本数据在真实空间中的密度分布情况。使用ASHRAE RP-1043冷水机组实验数据对提出的方法进行验证,并将检测结果与传统SVDD的冷水机组故障检测方法进行比较。结果表明,提出的方法将FAR从10.5%降低到7%,同比下降超过了30%,同时对4个劣化等级下的7种典型冷水机组故障有着优良的检测性能。     

基于主元分析法的冷水机组传感器故障检测效率分析

冷水机组是一个高度非线性的复杂系统,其自控系统传感器故障会导致冷水机组的运行偏离正常状态和能耗浪费。采用冷水机组正常运行数据,通过多元统计方法中的主元分析法建立训练矩阵,利用平方预测误差进行故障分析工作。引入不同程度故障,分析主元分析法的检测效率。结果表明,主元分析法故障检测效果明显,但对于不同传感器的不同程度故障,故障检测的误判率存在一定的差异。     

基于KSFDA-SVDD的非线性过程故障检测方法

慢特征分析(SFA)是一种无监督的线性学习算法,没有考虑过程数据的类别信息和非线性特征。针对此问题,提出一种基于核慢特征判别分析(KSFDA)和支持向量数据描述(SVDD)的非线性过程故障检测方法KSFDA-SVDD。该方法首先利用核技巧将数据从原始空间映射到高维空间,然后通过最大化正常工况数据和故障模式数据之间伪时间序列的时间变化同时最小化正常工况数据内部伪时间序列的时间变化计算判别矩阵,最后利用SVDD描述采用判别矩阵降维后的正常工况数据的分布域,构建监控统计量检测过程故障。在连续搅拌反应器(CSTR)过程上的仿真结果表明所提出方法的故障检测性能优于传统的KPCA方法。     

基于最大信息系数的分组支持向量数据描述故障检测

工业过程的众多变量之间往往存在着复杂的相关关系,传统的故障检测模型通常会忽略不同变量间相关性的差异,对不同相关关系的变量采用相同的特征提取方法,从而导致检测效果欠佳。针对以上问题,提出了一种基于最大信息系数的分组支持向量数据描述故障检测模型,首先计算变量间的最大信息系数矩阵,按照相关性的不同对变量进行分组,再通过最大信息系数为模型混合核函数中高斯核与多项式核的权重分配提供理论指导,从而分别为各组建立不同的支持向量数据描述检测模型,完成最大信息系数与支持向量数据描述的紧密结合,最终实现分布式故障检测。通过仿真对比,验证了该模型的可行性与有效性。     

基于加权深度支持向量数据描述的工业过程故障检测

传统支持向量数据描述（SVDD）方法本质上采用浅层学习框架,难以有效监控非线性工业过程的复杂故障。针对此问题,提出一种基于加权深度支持向量数据描述（WDSVDD）的故障检测方法。该方法一方面在深度学习框架下重新定义SVDD优化目标函数,构建基于深度特征的深度SVDD监控模型（DSVDD）,并利用核密度估计法计算监控指标的统计控制限;另一方面,考虑到深度特征的故障敏感度差异特性,在DSVDD监控模型中设计特征加权层,分别从静态和动态信息分析角度给出权重因子的计算方法,利用权重因子突出故障敏感特征的影响以提高故障检测率。应用于一个典型化工过程的测试结果表明,所研究的方法能够比传统SVDD方法更有效地监控过程中复杂故障的发生。     

基于支持向量机的计算机局域网故障检测技术研究

计算机技术的进步推动了网络技术发展,传统的计算机局域网故障检测技术过于依赖人力,检测耗时长,检测效果差,无法满足目前局域网故障检测需求,因此基于支持向量机设计了新的计算机局域网故障检测技术。首先选取了计算机局域网故障检测模型,其次基于支持向量机设计了计算机局域网故障检测算法,最后优化了径向基检测神经网络,从而实现了计算机局域网故障检测,进行实验,结果表明,设计的计算机局域网故障检测技术的检测耗时较短,具有省时性,有一定的应用价值。     

基于主元分析的传感器故障检测盲区预测

传感器故障极易发生但不易察觉,其测量数据是制冷空调系统安全运行和优化节能的必要条件。分析了以Q统计量为故障检测边界的基于主元分析的传感器故障检测流程,建立了一种预测传感器故障检测能力的指标--故障检测盲区,用于预测训练数据集中各个传感器的故障检测能力,从而分析、评价和优化建模用训练数据的质量。采用工程数据、实验数据分别开展算法验证,结果表明故障检测盲区能有效预测选定数据集的相关传感器的故障检测结果。     

基于多核支持向量机的多模态过程故障检测

针对具有多模态、非线性特征的复杂分布数据的工业过程,提出一种基于局部相对概率密度（LRPD）的多核支持向量机（MKSVM）故障检测方法LRPD-MKSVM。首先,计算训练样本的局部概率密度矩阵并进行标准化处理,来消除数据的多模态特性;其次,运用标准化后的概率密度矩阵训练多核SVM模型,获得判别分类函数;之后,将测试数据的概率密度矩阵作为多核SVM模型的输入,对其进行分类;最后,将该方法应用于TE多模态工业过程,分别与基于单核的高斯核函数SVM(RBFSVM)、多项式核函数SVM(POLYSVM)分类方法 对比分析,结果表明：基于多核SVM方法的分类正确率明显优于单核SVM方法。     

一种鲁棒半监督建模方法及其在化工过程故障检测中的应用

复杂化工过程的观测样本往往包含着测量噪声与少量的离群点数据,而这些受污染的数据会影响数据驱动的过程建模与故障检测方法的准确性。本文考虑了化工过程测量样本的这一实际情况,提出了一种鲁棒半监督PLVR模型（RSSPLVR）,并利用核方法将其扩展为非线性的形式（K-RSSPLVR）。此类算法利用基于样本相似度的加权系数作为概率模型的先验参数,能有效消除离群点对建模的影响。利用加权后的建模样本,本文通过EM算法训练了RSSPLVR和K-RSSPLVR的模型参数,并提出了相应的故障检测算法。最后,通过TE过程仿真实验验证了所提出方法的有效性。     

基于支持向量数据描述的非高斯过程故障重构与诊断

提出一种基于支持向量描述（SVDD）的统计过程监控与故障重构及诊断算法,避免了PCA、PLS等传统统计过程监控方法假设过程数据服从高斯分布的不足。鲁棒故障重构算法通过迭代保证重构后的数据对应的SVDD监控统计量最小化。诊断算法根据故障集中的不同故障重构后监控统计量是否恢复正常,确定实际发生的过程故障。CSTR过程的仿真研究表明了所提出方法的有效性。     

变量加权型主元分析算法及其在故障检测中的应用

传统主成分分析（PCA）算法旨在挖掘训练数据各变量间的相关性特征,已在数据驱动的故障检测领域得到了广泛的研究与应用。然而,传统PCA方法在建模过程中通常认为各个测量变量的重要性是一致的,因此不能有效而全面地描述出变量间相关性的差异。为此,提出一种变量加权型PCA（VWPCA）算法并将之应用于故障检测。首先,通过对训练数据进行加权处理,使处理后的数据能够充分体现出变量间相关性的差异。然后,在此基础上建立分布式的PCA故障检测模型。在线实施故障检测时,则通过贝叶斯准则将多组监测结果融合为一组概率指标。VWPCA方法通过相关性大小为各变量赋予不同的权值,从而将相关性差异考虑进了PCA的建模过程中,相应模型对训练数据特征的描述也就更全面。最后,通过在TE过程上的测试验证VWPCA方法用于故障检测的优越性。     

A support vector clustering‐based probabilistic method for unsupervised fault detection and classification of complex chemical processes using unlabeled data

A new support vector clustering (SVC)‐based probabilistic approach is developed for unsupervised chemical process monitoring and fault classification in this article. The spherical centers and radii of different clusters corresponding to normal and various kinds of faulty operations are estimated in the kernel feature space. Then the geometric distance of the monitored samples to different cluster centers and boundary support vectors are computed so that the distance–ratio–based probabilistic‐like index can be further defined. Thus, the most probable clusters can be assigned to the monitored samples for fault detection and classification. The proposed SVC monitoring approach is applied to two test scenarios in the Tennessee Eastman Chemical process and its results are compared to those of the conventional K‐nearest neighbor Fisher discriminant analysis (KNN‐FDA) and K‐nearest neighbor support vector machine (KNN‐SVM) methods. The result comparison demonstrates the superiority of the SVC‐based probabilistic approach over the traditional KNN‐FDA and KNN‐SVM methods in terms of fault detection and classification accuracies. © 2012 American Institute of Chemical Engineers AIChE J, 59: 407–419, 2013     

基于双近邻标准化和PCA的多阶段过程故障检测

现代工业产品的生产往往需要多个生产阶段,多阶段生产过程的故障检测成为一个重要问题。多阶段过程数据具有多中心、各工序数据结构不同等特征。针对多阶段过程数据的特征,提出了基于双近邻标准化和主元分析的故障检测方法（DLNS-PCA）。首先寻找样本的双层局部近邻集;其次使用双层局部近邻集的信息标准化样本,得到标准样本;最后在标准样本集上使用主元分析方法进行故障检测。双局部近邻标准化能够将各阶段数据的中心平移到同一点,并且调整各阶段数据的离散程度,使之近似相等,从而将多阶段过程数据融合为服从单一多元高斯分布的数据。进行了青霉素发酵过程故障检测实验,实验结果表明DLNS-PCA方法相对于PCA、KPCA、FDkNN等方法对多阶段过程故障具有更高的检测率。DLNS-PCA方法提高了多阶段过程故障检测能力。