基于核主元分析–主元分析的多阶段间歇过程故障监测与诊断

具有过渡特性的多阶段间歇过程故障监测是一个复杂的问题,既需要考虑稳定阶段下的故障监测,也需要考虑不同阶段间的过渡故障监测.为克服传统硬划分方法导致误警和漏报率高的缺陷,同时也为实现更加精确、有效的故障监测与诊断,提出一套完整的基于核主元分析-主元分析(KPCA-PCA)的多阶段间歇过程故障监测与诊断策略.该方法依据数据相似度实现阶段划分,定义模糊隶属度辨识相邻阶段间的过渡,最后对稳定阶段和过渡过程分别建立具有时变协方差的PCA和KPCA故障监测与诊断模型.通过对青霉素发酵过程的仿真平台及工业应用研究表明,该方法具有更可靠的监控性能,能及时、准确的检测出过程中存在的异常情况.     

基于故障检测率的主元个数确定方法

主元个数是PCA模型的关键参数,其选取直接决定PCA的故障诊断性能;针对传统主元个数选取方法主观性较大,且不考虑故障诊断要求的缺点,提出一种改进的主元个数确定方法;该方法将传统的累积方差贡献率与故障检测率相结合,首先利用累积方差贡献率初步确定主元个数,然后确定满足故障检测率要求的主元个数,将两个主元个数进行比较,从而获得最佳主元个数;与单纯累积方差贡献率方法相比,提高了主元模型的精度,减少了以往方法中人为因素的影响;通过对卫星控制系统的故障检测,证实了该方法可大大提高故障检测准确率。     

一种间歇过程异常数据剔除的主元分析方法

提出一种用于间歇生产过程中异常数据控制的方法。这种方法将原始的三维间歇生产数据集合展开成一个二维数据矩阵,进行中心化和规格化后再转化成另一个按照时间序列排列的二维数据矩阵。这种方法可以克服Wold方法在对数据进行中心化时引起的原始信息失真问题。通过对聚合反应釜过程数据进行分析,表明该方法能有效地对生产数据剔除异常。     

基于二维主元分析的间歇过程故障诊断

传统的多向主元分析(MPCA)已广泛应用于监视多变量间歇过程。在MPCA算法中,三维的间歇过程数据需要转换为高维的二维向量,导致计算量和存储空间大,同时不可避免地丢失一些重要信息。因此,提出一种新的基于二维主元分析(2DPCA)的故障诊断方法。由于每个批次的间歇过程数据是一个二维向量(矩阵),应用以各个批次矩阵为分析对象的2DPCA算法,避免矢量化,存储空间和存储需求小;另外,2DPCA采用各个批次的协方差的平均值来进行建模,能够更加准确地反映出不同类型的故障,在一定程度上增强了故障诊断的准确性。半导体工业实例的监视结果说明,2DPCA方法优于MPCA。     

多尺度多向主元分析方法的研究及应用

为保证间歇过程安全运行和生产出高质量产品,需要对间歇过程进行监视.本文基于多向主元分析方法(MPCA)和小波变换理论,提出了一种新的监视方法,即多尺度多向主元分析方法(MSMPCA).与MP-CA相比,MSMPCA降低了随机误差对测量数据的影响,提高了过程性能监视和故障诊断的准确性.仿真实例验证了该方法的有效性.     

一种基于信号-噪声模型的主元数目选择方法

主成分分析(PCA)是一种基于二阶统计的数据分析方法。在简要介绍PCA的基本理论后,重点分析了主元数目的选择问题。在基于累计贡献率的传统方法基础上,考虑实际中噪声对信号的影响,提出一种基于信号-噪声模型的主元数目选择新方法。实验证明,在一定的条件下,新方法比传统的累计贡献率方法更有效。     

基于PCA的发酵过程监控模型主元数的确定

针对传统的单纯应用累积方差贡献率确定主元数的方法主观性较大以及没有考虑故障信息的缺点,提出一种应用累积方差贡献率联合复相关系数来共同确定主元数的新方法;首先利用累积方差贡献率初步确定主元数,然后考察复相关系数均值,在保证主元信息存量的前提下,对复相关系数和主元数进行反复计算和修正,从而获得最佳主元数;与单纯应用累积方差贡献率确定主元数的方法相比较,提高了主元模型的精度,确保主元信息容量,因而提高了过程监控的准确性;对于β-甘露聚糖酶发酵过程的应用结果表明,应用累积方差贡献率和复相关系数共同确定主元数能够保证主元空间(PCS)中的信息存量。     

多尺度主元分析的一种改进方法

MSPCA方法在生产过程监控方面有着广泛应用.本文在研究该方法的基础之上,提出了一些改进,在其进行小波分解后即对其小波系数进行阈值处理,使小波消噪与MSPCA方法合为一体,并运用统计控制图中的平方预测误差(SPE)图方法检测引起过程变化或故障的过程变量.在保证其MSPCA算法复杂度不变的前提下,能够消除数据的噪声污染,使故障诊断的误报大为减少.经检验,该算法确实可行,相对于小波消噪与MSPCA方法分别进行,效率提高了大约13%-17%.     

基于主元空间统计的传感器故障诊断与重构

针对主元分析故障诊断方法中所采用SPE统计量的局限性,通过分析主元模型的整体框架,提出一种通过T2统计量来研究传感器数据超限的故障检测与重构,确定故障大小与类型,采用迭代法恢复传感器示值的方法。仿真结果表明,该方法对传感器进行故障检测与重构后,其故障幅值完全处于精度范围内,且低于所要求的控制限。     

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.     

一种基于数据重构的KPCA故障识别方法

针对核主元分析(KPCA)方法只能实现故障检测,但无法实现故障变量识别的问题,提出一种基于数据重构的KPCA故障变量识别方法。采用改进的数据重构方法对各参数进行重构,然后利用故障识别指数对监控参数进行故障变量识别。通过对某型涡扇发动机进行实验的结果表明,该方法能够准确识别故障变量,从而有助于维护人员分析故障原因,初步确定可能的故障源,大大缩短故障定位及排故的时间,可预防重大事故的发生。     

改进动态主元分析的工业过程故障预警研究

传统动态主元分析(DPCA)进行工业过程故障预警时,对所有变量选择相同时间间隔。为克服DPCA中没有考虑到变量延迟、动态变化速度不同的问题,采用变量延迟对齐、时间间隔可变等方法,对DPCA中扩展矩阵的组成方法进行改进。数值仿真结果表明,改进DPCA可以有效减少故障漏报。将该方法应用于原油初馏过程故障预警,在准确预警故障的基础上减少了漏报。     

一种基于分块主成分分析的存储器容错方法研究

随着集成电路工艺水平提升,半导体器件尺寸越来越小,存储器更易受到周围环境的影响而导致数据存储故障。针对这一问题,该文提出了一种基于分块主成分分析的存储器容错方法。该方法应用分块主成分分析算法提取数据的主要特征,并对求取的特征数据作均值化处理,得到原始数据的最佳近似估计。该最佳近似估计可对数据中的任意故障做容错替换,使容错替换后的数据和原始数据的误差最小。实验结果表明,该方法可以使图片数据在 0.003 5 错误率的情况下仍保持峰值信噪比大于 30 dB;与传统纠错码相比,执行时间缩短了约 40%,内存消耗减少了约 12%,获得了较好的容错效果。     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

基于混合动态主元分析的故障检测方法

针对基于动态主元分析的故障检测方法存在的主元个数较多以及计算效率低等问题,本文提出基于混合动态主元分析(Hybrid Dynamic Principal Component Analysis,HDP-CA)的复杂过程故障检测方法。该方法采用分步策略消除数据之间的自相关和互相关性,提高了故障检测的精度和效率。对TE过程典型故障和热连轧过程中断带故障检测结果表明:HDPCA方法提取的主元个数少于DPCA方法提取的主元个数。并且,基于HDPCA的T2和SPE统计量的检测性能和检测精度都由于基于DPCA的统计量。因此,本文提出的方法可以准确有效地检测出故障。     

青霉素发酵过程的2DPCA建模及监测

针对多向主元分析（multi-way principal component analysis,MPCA）算法用于间歇过程实施监控时需要将三维数据转换为高阶的二维矩阵,从而易导致算法的计算量大,且会丢失一些有用信息的情况进行了研究,提出了一种新的间歇过程故障诊断方法——二维主成分分析法（2-dimensional principal component analysis,2DPCA）。该算法首先利用各个批次的二维矩阵构造协方差矩阵,进而求得所有批次协方差矩阵的平均值进行建模,大大降低了计算复杂度,运算时间较MPCA缩短了19/20到3/4,且无须占用太多存储空间;同时,2DPCA计算协方差矩阵较MPCA更为准确,取协方差矩阵的平均值能够更加精确地反映不同类型的故障,在一定程度上增强了故障诊断的准确率。最后,通过将所提出的方法应用于青霉素发酵过程的监控中,验证了该算法的有效性和准确性。     

基于最优主元数的故障检测性能的改进

研究了一种基于主元分析故障检测确定主元数的新方法. 提出了信噪比并基于信噪比确定最优主元数. 通过最大化信噪比最优主元数被选择, 使故障检测性能得到改进. 这种方法被应用到TE过程中并与累积方差贡献率方法进行比较, 结果显示了此方法的优越性.