基于子PCA模型的故障分离方法及其应用

在应用传统PCA法对火电厂生产过程实施故障检测与分离时,火电厂生产过程中的变量表现出在一定的稳定工况范围内会出现小范围的波动振荡性以及部分变量间存在强相关性,这就导致了传统的贡献图法容易得出错误的故障分离信息。针对贡献图的缺点和火电厂的生产特点,提出一种子PCA模型的故障分离法,此法利用Q统计量的故障检测能力和统计规律来实现故障变量的精确定位。最后使用此法仿真了火电厂主汽压系统的故障分离过程,仿真结果表明使用子PCA模型法进行故障分离的优越性。     

改进主成分分析的KNN故障检测研究

为提高过程故障检测的可靠性与准确性,提出改进的主成分分析的故障检测方法.首先通过K-means聚类算法将原始建模数据进行分类,然后在此基础上应用PCA在每个类中提取主成分,最后建立基于数据的KNN模型进行故障检测.研究结果应用于青霉素发酵过程,与传统的PCA、KNN算法进行比较,表明采用PC-KNN的故障检测结果更加准确,并且减少了数据量与计算时间,保证了过程的安全可靠运行.     

基于PCA的相似度方法在半导体产品分类中的应用

以传统的主元分析方法（Principal Component Analysis,PCA）为基础,利用负载矩阵构造S_PCA相似因子（PCA Similarity Factor）和改进的相似因子S_PCA^λ,通过衡量负载向量之间角度的大小对不同工况批次数据进行相似度比较,实现不同工况产品的分类．采用累计方差贡献率方法确定主元个数,将踮。应用到半导体间歇过程中进行数据分类．实验仿真结果表明：利用改进的相似因子S_PCA^λ对半导体多工况数据的分类具有显著效果．     

一种模式关联主元分析的海流机故障检测方法

针对海流机复杂工况下发电过程数据的多模式和模式频繁变动的问题,提出一种模式关联主元分析方法。从理论上分析模式变化对传统主元分析(principal component analysis, PCA)的影响,描述了过程数据多模式下的故障检测问题。提出一种模式标准化算法,动态拟合多模式数据特征。通过构建多模式关联关系,将变化模式引起的统计量差值剔除。通过搭建海流机试验平台,对比所提方法与传统检测方法验证了所提方法的有效性。理论分析和试验结果表明:在海流机变转速同时变载荷工况下,所提方法能够快速准确的检测出故障。     

一种基于RBF神经网络的非线性PCA故障检测方法

针对传统PCA(主元分析)故障诊断方法在非线性过程应用中存在的缺点,提出了一种基于RBF(径向基)神经网络的非线性PCA故障检测方法。首先,提出一个由两个RBF网络构成的非线性统计模型,其中第一个网络用于建立输入变量到主元的非线性映射,第二个网络实现逆映射来重构原始数据。其次,用主元曲线算法来解决网络训练数据的获取问题。最后,给出了使用基于RBF网络的非线性PCA方法进行故障检测的步骤,并通过一个三阶非线性系统的仿真实例验证了该方法的有效性。     

基于近邻距离加权主元分析的故障定位

随着现代工业过程越来越复杂,采集到的数据量也越来越大,数据集中各个变量之间存在相互影响,一些传统的故障定位方法不能达到满意的定位效果.因此,在主元分析(PCA)故障定位方法的基础上,采用正常工况样本近邻距离对样本进行加权的方法,将每个样本与其最近邻样本的距离作为加权因子,削弱变量之间的相互影响,降低拖尾效应,改进PCA的故障定位效果.首先,对样本进行预处理并加权;然后,利用加权后正常工况的样本建立主元监视模型,在线监视过程中,在发生故障时刻,根据之前建立的模型计算相应时刻加权样本的重构监视统计量和每个变量的重构贡献值,通过最大贡献率法对变量进行逐步定位;最后在数值案例和TE过程进行仿真研究,并与基于PCA故障定位方法进行比较,结果表明了所提方法的有效性.     

PCA-CHMM在化工过程故障诊断中的应用

为了解决主元分析(principal component analysis，PCA)在故障分类方面的不足，提出一种结合PCA和连续隐马 尔可夫模型(continuous hidden Markov model，CHMM)的故障诊断方法.PCA对测量数据进行优化降维，用少数几个主元 表征过程主要变化信息，实现过程特征提取.但是PCA不能对这些过程变化信息进行有效的分类和识别，运用CHMM成熟的 时序模式分类能力能够较好地解决这个问题.通过Tennessee Eastman过程仿真验证了基于PCA和CHMM的故障诊断方法的性 能.     

基于迭代PCA的油田传感器故障检测与隔离

针对油田采油现场采集的传感器数据本身存在不规律动态特性,使得传统的主元分析(PCA)故障检测方法在实际应用中准确度较低、容易出现误报的问题,采用一种迭代PCA模型方法,即累积数据达到一定长度之后对PCA模型进行迭代更新,可以有效地减小误报的发生.检测出故障后,利用故障数据和残差向量的映射向量定义一个传感器故障指数,可以实现故障隔离.仿真实验表明,与传统的PCA方法相比,本文所采用的更新PCA模型的迭代方法能更好地适用于数据具有动态特性的油田传感器故障检测;通过对传感器故障指数的计算可以准确地实现故障隔离.实验表明,本文用的传感器故障检测与隔离方法可以很好地应用在实际系统中.     

基于二维卷积神经网络的滚动轴承变工况故障诊断方法

为了实现滚动轴承变工况运行下仍能进行有效的故障诊断, 提出了一种基于二维卷积神经网络的滚动轴承变工况故障诊断方法。该方法将原始信号以及运行载荷这一工况变量作为输入信号, 无需人工提取特征向量, 减少特征提取过程中的损失, 实现端到端检测, 并将该方法与传统卷积神经网络模型进行了实验对比。结果表明, 相较于传统卷积神经网络, 该方法在故障的识别准确率和诊断的实时性上都有很大程度的提升。     

基于小波密度函数估计的一类非线性控制系统监视方法

针对一类基于反馈线性化补偿的非线性控制系统，提出一种基于小波密度函数估计的过程监视及故障诊断策略。以正常操作范围内收集的数据，由于实施反馈线性化策略，降低了过程的非线性程度，使得线性多变量统计分析更有效。当操作工况发生变化时，利用小波变换进行非线数概率密度函数估计，比常规的密度参数估计结果具有更强的适应性。从计算机控制系统记录的大量数据中挖掘其中隐含的知识，可以对过程异常状态进行及时检测和故障诊断。通过仿真证实了该方法的可行性。     

基于隐含马尔可夫模型的过程监视方法在TE过程中的应用

研究一类基于知识的过程监视方法，该方法分3步：首先是知识表达(数据预处理和符号化)；第2步是隐含马尔可夫模型(HMM)的建立；第3步是基于模式识别的过程监视，最后结合TE典型过程的扰动监视问题，通过仿真验证了基于HMM的故障诊断方法的有效性。     

基于改进K—means聚类的kNN故障检测研究

为了减少计算量,提高故障检测准确性,提出一种基于改进K—means聚类的kNN故障检测方法．首先通过改进K—means聚类将原始建模数据分成C个类,然后利用kNN分别对每个类建立模型．在每类的训练数据集合中找到每个样本的k个最近邻,计算k个最近邻距离的平方和．基于训练数据确定进行故障检测的阈值．对新的待检测样本,先判断属于哪一类,然后应用对应类的kNN模型进行故障检测．仿真结果表明：该方法不但可以提高过程故障检测的可靠性,而且大大缩短了故障检测时间．     

Anomaly detection of hot components in gas turbine based on frequent pattern extraction

Hot components operate in a high-temperature and high-pressure environment. The occurrence of a fault in hot components leads to high economic losses. In general, exhaust gas temperature(EGT) is used to monitor the performance of hot components.However, during the early stages of a failure, the fault information is weak, and is simultaneously affected by various types of interference, such as the complex working conditions, ambient conditions, gradual performance degradation of the compressors and turbines, and noise. Additionally, inadequate effective information of the gas turbine also restricts the establishment of the detection model. To solve the above problems, this paper proposes an anomaly detection method based on frequent pattern extraction. A frequent pattern model(FPM) is applied to indicate the inherent regularity of change in EGT occurring from different types of interference. In this study, based on a genetic algorithm and support vector machine regression, the relationship model between the EGT and interference was tentatively built. The modeling accuracy was then further improved through the selection of the kernel function and training data. Experiments indicate that the optimal kernel function is linear and that the optimal training data should be balanced in addition to covering the appropriate range of operating conditions and ambient temperature. Furthermore, the thresholds based on the Pauta criterion that is automatically obtained during the modeling process, are used to determine whether hot components are operating abnormally. Moreover, the FPM is compared with the similarity theory, which demonstrates that the FPM can better suppress the effect of the component performance degradation and fuel heat value fluctuation. Finally, the effectiveness of the proposed method is validated on seven months of actual data obtained from a Titan130 gas turbine on an offshore oil platform. The results indicate that the proposed method can sensitively detect malfunctions in hot components during the early stages of a fault, and is robust to various types of interference.     

不同插值方法在断层检测模型中的应用效果对比分析

为了了解同一断层检测模型在不同插值方法下的检测效果和同一插值方法在不同断层检测模型的检测效果.对比视觉几何组VGG(Visual Geometry Group)、多层感知机MLP(Multi--layper Perceptron)、支持向量机SVM(Support Vector Machine)三种断层检测模型在lin...     

基于PXI的某机载计算机检测系统的设计

为了对某机载计算机进行检测并能将故障定位到板，在分析比较当前2种主流测试技术的基础上，提出了一种基于PXI架构的检测系统，描述了谊检测系统的体系结构及设备选型，同时设计了该机载计算机的检测流程、故障判据数据库和故障诊断软件模块以满足检测要求，其中故障判据数据库已经过调试，可顺利运行．     

卷积神经网络多变量过程特征学习与故障诊断

为提取复杂多变量过程的有效特征,提高故障诊断性能,提出一种基于卷积神经网络（convolutional neural network,CNN）特征学习的多变量过程故障诊断模型. 将高维过程信号归一化处理转为图像信号,多层卷积滤波器与子采样滤波器交替构成的轻量级CNN网络通过多个卷积核与图像进行卷积,采用本地连接和权重共享,滤除过程噪声和干扰信息,从而获得过程数据的高层抽象化表达. 通过Softmax层有监督的微调方式学习故障特征完成故障诊断. 利用以田纳西过程为代表的多变量非线性过程验证了模型的有效性,与经典分类器和近几年流行的深度神经网络进行对比, 结果表明:将高维过程信号转为图像信号输入CNN提高了多变量过程的故障诊断精度;通过t-SNE方法对模型提取的特征进行可视化分析,说明模型强大的特征提取能力;将模型提取的特征作为传统分类器的输入时,故障识别准确率显著提升,进一步说明有效的特征提取有利于提高故障诊断的准确度和可靠性;与无监督学习方式相比,模型通过标签能获取更有效、稳定和抽象化的数据特征.     

基于熵和粗集的设备故障诊断方法

提出了一种基于熵和粗集的故障诊断方法。利用信息熵判断系统运行状态，确定系统故障的严重程度，并依据故障程度采集相应的数据，在此基础上，运用一种改进的区分矩阵方法进行相对约简并对不一致信息进行处理，最终形成一种综合策略的诊断规则。