Double-layer ensemble monitoring of non-gaussian processes using modified independent component analysis

The modified independent component analysis (MICA) was proposed mainly to obtain a consistent solution that cannot be ensured in the original ICA algorithm and has been widely investigated in multivariate statistical process monitoring (MSPM). Within the MICA-based non-Gaussian process monitoring circle, there are two main problems, i.e., the selection of a proper non-quadratic function for measuring non-Gaussianity and the determination of dominant ICs for constructing latent subspace, have not been well attempted so far. Given that the MICA method as well as other MSPM approaches are usually implemented in an unsupervised manner, the two problems are always solved by some empirical criteria without respect to enhancing fault detectability. The current work aims to address the challenging issues involved in the MICA-based approach and propose a double-layer ensemble monitoring method based on MICA (abbreviated as DEMICA) for non-Gaussian processes. Instead of proposing an approach for selecting a proper non-quadratic function and determining the dominant ICs, the DEMICA method combines all possible base MICA models developed with different non-quadratic functions and different sets of dominant ICs into an ensemble, and a double-layer Bayesian inference is formulated as a decision fusion method to form a unique monitoring index for online fault detection. The effectiveness of the proposed approach is then validated on two systems, and the achieved results clearly demonstrate its superior proficiency.     

基于ICA与深度学习的发动机气路系统状态监测

为提升航空发动机气路系统状态监测的有效性,提出一种采用深度学习并结合独立分量分析(independent component analysis,简称ICA)的新方法,对航空发动机气路系统的健康状态进行了监测技术研究.首先,对实际采集的航空发动机气路系统健康监测参数进行预处理,对预处理后的参数数据采用独立分量分析方法进行...     

基于ICA-PCA的连续退火机组温度系统的多模型监测方法

冷轧连续退火机组中,退火炉是其中的重要设备。为保证最终带钢的质量,带钢在退火炉内各个阶段的温度必须严格控制在工艺要求的范围之内。文章针对不同规格的带钢建立不同的温度监测模型,选用ICA-PCA两步结合的特征提取方法挖掘与温度状态紧密相关的过程信息,同时建立多个统计量指标及时实现带钢温度系统的在线监测。通过对现场实际数据的仿真分析证明了所提出方法的可行性和有效性。     

SDICA方法在单通道信号故障分类中的研究

提出了一种针对工程单通道信号的子带分解独立分量分析(subband decomposition independent component analysis,简称SDICA)故障分类方法。利用经验模态分解方法(empirical mode decomposition,简称EMD)得到的多个基本模式分量作为子带信号,对子带信号进行独立分量分析(independent component analysis,简称ICA),在ICA方法过程中提取了分离过程特征中产生的残余互信息值,在估计子带信号中计算各自的近似熵值,并把残余互信息和近似熵值作为特征参数,输入广义回归神经网络实现故障分类。SDICA方法在单通道信号故障分类中引入了ICA理论,成功实现了工程单通道轴承信号3种故障高精度的识别,验证了具有良好表征故障能力的残余互信息值和估计子带近似熵能够成为故障分类的重要参数。     

基于量子计算的独立分量分析算法及应用

将量子优化原理应用于独立分量分析中,提出了量子独立分量分析算法(quantum independent component analysis,简称QICA),针对3组特定信号进行了混合与分离的仿真实验,得到了较好的分离效果。将该算法用于齿轮箱振动信号的源分离及其故障诊断中,实验结果表明,该算法用于齿轮箱振动信号分离可以明显增强故障信息,降低齿轮箱故障诊断难度。     

Adaptive PCA based fault diagnosis scheme in imperial smelting process

In this paper, an adaptive fault detection scheme based on a recursive principal component analysis (PCA) is proposed to deal with the problem of false alarm due to normal process changes in real process. Our further study is also dedicated to develop a fault isolation approach based on Generalized Likelihood Ratio (GLR) test and Singular Value Decomposition (SVD) which is one of general techniques of PCA, on which the off-set and scaling fault can be easily isolated with explicit off-set fault direction and scaling fault classification. The identification of off-set and scaling fault is also applied. The complete scheme of PCA-based fault diagnosis procedure is proposed. The proposed scheme is first applied to Imperial Smelting Process, and the results show that the proposed strategies can be able to mitigate false alarms and isolate faults efficiently.     

独立分量分析在信号处理中的应用

独立分量分析(ICA)是近期发展起来的一种统计学方法,旨在寻求对非高斯分布数据进行有效的表示,使得各个分量在统计学上独立,或者尽最大可能地独立。文章介绍了独立分量分析的发展过程,基本理论等。许多应用中,这种表示意在获取数据的基本结构,包括特征提取和信号分离,目前主要应用在盲源分离,特征提取,盲反卷积等方面。     

短路GMAW焊在线质量监测的多变量统计过程控制方法

熔化极保护气体焊(GMAW)广泛地应用在自动焊尤其是机器人焊接过程中,机器人焊接过程中的快节拍要求对焊接质量进行自动监测及备份。现采用焊接过程中的电信号,通过对过程电信号的处理,实现对被加工部件质量的在线判别。通过分析单变量统计过程控制(SPC)对焊接过程的质量监测,发现了其存在的局限性,并在此基础上,采用多变量统计过程控制(MSPC),实现了GMAW过程的在线质量监控;最后在自开发的在线监测系统上,试验验证MSPC方法的可行性。     

基于DPCA方法的故障检测与诊断分析

主元分析(Prlnclpal Component Analysis，PCA)已广泛应用于复杂工业过程的运行状态监控。然而，传统的PCA方法仅构造了生产过程的静态线性关系，无法从根本上有效处理具有较强动态特性的实际工业生产过程。动态主元分析(Dynamic PCA，DPCA)是一种将传统PCA分析推广到动态多变量过程的方法，但其较大的计算负荷阻碍了其实际应用。本文对文献中的DPCA作了算法上的简化，减少了实施中的计算量，并将其应用于重油分馏塔的动态运行故障监测与诊断。研究结果表明了方法的有效性。     

基于WTPCA-MSVMs过程监控方法

提出了基于小波变换主元分析和多支持向量机(wavelet transform PCA-Multiple support vector machines,WTPCA-MSVMs)的过程监控方法,该方法首先利用小波变换(wavelet transform,WT)对采样数据进行预处理,以有效抑制过程数据中所含的噪声和干扰信号;然后利用主元分析(principal component analysis,PCA)对预处理后的数据建立主元监控模型;考虑到实际工业过程故障数据的数量较少,而支持向量机(support vector Machine,SVM)在小样本学习方面具有良好的泛化能力的特性,最后提出了基于多支持向量机(multiple support vector machines,MSVMs)的故障诊断方法。对TE(tennessee eastman,TE)过程的监控应用表明了所提出方法的有效性。     

DOAS在环境监测中的应用

差分光学吸收光谱技术(DOAS)近年来已成为环境监测中的可行方法。本文将该方法应用于大气污染监测,给出一套实用的DOAS系统,并通过一系列优化的数据处理流程和环节,可以成功地监测大气中多种气体成分的浓度。     

基于多变量统计过程监控的盾构机故障诊断

由于盾构机安装有众多监测仪表,且依靠单变量过程监控和人工诊断方式已经无法满足监测的要求,因此引入多变量统计过程监控方法(MSPM).主元分析(PCA)是应用最广泛的MSPM技术,PCA根据盾构运行监测的过程变量和历史数据建立数学模型,并计算统计监控量T2和平方预测误差δ,以及主元空间和残差空间的控制限,分析过程变量是否发生异常.最后以盾构刀盘驱动系统和螺旋输送液压系统为例说明MSPM的详细应用.     

基于振动信号EMD和ICA的刀具破损识别

针对多齿铣削过程中振动信号的特点,提出了一种基于经验模态分解(EMD)和独立分量分析(ICA)相结合的方法,对混叠在振动信号中的铣刀破损信号进行分离。对振动信号进行经验模态分解提取出信号中的所有本征模函数,然后应用fastICA对所提取出的本征模函数进行独立分量分析。利用该方法对铣削加速度振动数据进行了分析,试验表明,该方法可以提取出混合信号中与刀具破损状态相关的故障特征频率成分。     

石化企业生产过程监控与管理系统关键技术研究

为满足石化企业生产过程监控与管理的需求,研制了基于Web的生产过程监控与管理系统。对系统开发中所涉及的关键技术进行了深入研究,提出了一个较为通用的基于Web的三层体系结构,借助Infoplus．21实时数据库和Oracle关系数据库,实现了实时数据采集与数据处理;综合应用可扩展标记语言和Office网络组件实现了系统的信息集成和复杂报表的编制;采用基于组件的编程技术和基于案例推理的生产调度策略,增强了系统的灵活性;系统采用Java、Java服务器网页、Servlet、JavaBean、可扩展标记语言和Office网络组件开发,表明了系统的实用性和可扩展性。     

气力输运粉体系统中的堵塞故障检测方法

提出了一种基于主成分分析的气力输运粉体系统中堵塞故障的检测方法 ,通过采集管道内各个方位的电容测量值计算粉体的浓度 ,利用主成分分析能够抽取高维变量间相关性而实现降维的特点 ,可以快速准确地判断是否发生了粉体堵塞现象。实验结果验证了该方法的有效性。     

实验数据最优化处理的研究

提出了实验数据回归分析与回归模型最优解的非线性规划算法,此算法对实验数据的最优处理具有普遍意义     

基于ICA的气体模式识别方法研究

文中提出一种基于独立成分分析的非监督气体模式识别方法,用多元统计理论中的独立成分分析(independent component analysis-ICA)来分析金属氧化物半导体气体传感器阵列响应数据,进而实现对不同种类气体的分类.对所设计的电子鼻实验系统测量得到的气体传感器阵列稳态响应数据进行了白化和快速定点独立成分分析(FastICA)处理.实验结果表明该方法对区分一氧化碳(CO)、甲烷(CH_4)和氢气(H_2)3种气体有很高的识别率.