基于核主角的故障检测方法

基于主元分析（PCA）的统计检测方法已经被广泛应用于各种化工过程的故障检测和识别.移动主元分析（moving principal component analysis,简称MPCA）算法基于PCA,根据主元子空间的变化来判断故障是否发生.然而,基于主元分析的统计检测方法是线性方法,无法有效应用于非线性系统.因此,提出一种适合于非线性系统的故障检测方法——基于核主角(kernel principal angle,简称KPA)的故障检测方法,其基本思想与MPCA相似,主要内容包括构建特征子空间和核主角测量两部分.TE过程故障检测仿真实验证明,基于核主角的故障检测方法优于传统的多元统计检测方法（cMSPC）和MPCA.     

基于主元子空间富信息重构的过程监测方法

作为一种经典的多元投影方法,主元分析（PCA）已在多变量统计过程监测领域得到了广泛应用。然而,传统的主元挑选方法往往选择方差较大的主元以表征建模样本中包含的较大信息量,但当过程信息发生变化时,方差较小的主元所表现出来的变异性可能更为明显,即包含的信息量更为丰富,也更有利于故障检出。为此,提出一种基于主元子空间富信息重构的过程监测方法（informative PCA,Info-PCA）。该方法通过计算过程数据在各主元方向上累积T²统计量的变化率,选择变化较为明显的主元以重构主元子空间。在此基础上,建立相应的统计监测模型。最后,通过实例验证该方法用于过程监测的可行性与有效性。     

基于故障诊断性能优化的主元个数选取方法

主元分析 (PCA)作为一种有效的多元统计监测方法,在化工过程的产品质量控制与故障诊断等方面得到广泛应用.其中主元个数作为PCA监测模型的关键参数,其选取直接决定了PCA的故障诊断性能.传统的主元个数选取方法主观性较大,且一般不能考虑故障诊断的要求.通过对主元空间和残差空间中临界故障幅值的分析,提出一种基于故障检测与识别性能优化的主元个数选取方法.并且能够对故障的检测类型、幅值等重要信息进行预测和估计.通过对双效蒸发过程的仿真故障检测,证实了该主元个数选取方法的上述优点.     

主元空间中的故障分离与识别方法

主元分析 (PCA)作为数据驱动的一种统计建模方法,在化工产品质量控制与故障诊断方面得到广泛研究和应用.在故障重构技术的基础上,研究了基于T²统计量的故障分离和识别问题,分别获得了主元空间中故障可分离和识别的理论条件.以双效蒸发过程为例,对该生产过程中的10种不同故障进行仿真监测分析,证实了所获理论结果的有效性.     

基于变量子域PCA的故障检测方法

针对工业过程监控中传统主元分析（PCA）方法没有突出局部变量信息的问题,提出一种基于变量子域PCA（variable sub-region PCA,VSR-PCA）的故障检测方法。首先使用PCA将原始数据空间分解成主元子空间（principal component subspace,PCS）和残差子空间（residual subspace,RS）,计算变量与PCS的互信息来度量两者的相关性并以此划分变量子域。然后在变量子域中计算局部T²统计量和局部SPE统计量,并通过贝叶斯推理整合所有子域的信息构造全局统计量,使得在利用所有过程信息的同时挖掘局部变量信息。在连续搅拌反应釜系统上的仿真结果表明,VSR-PCA方法具有更好的过程监控性能。     

基于故障敏感主元的多块PCA故障监测方法

为了解决传统主元分析(PCA)故障监测方法中主元选择不合理问题,提出一种基于故障敏感主元的多块PCA故障监测方法。该方法基于正常工况数据集进行PCA分解,得到投影方向与特征值;定义一种故障敏感程度系数作为新的主元排序准则,以选择出每个变量方向上故障监测最敏感的主元;并建立相应的子模型,计算其监测统计量,利用贝叶斯信息准则(BIC)对监测结果进行融合。通过对田纳西伊斯曼(TE)过程和高炉炼铁过程中的应用仿真,结果表明所提方法有效地选取了主元,并且提升了故障监测模型的精度。     

主元空间中的故障重构方法研究

主元分析 (PCA)作为一种数据驱动的统计建模方法,在化工产品质量控制与故障诊断方面获得了广泛研究和应用.利用故障子空间的概念,研究了基于T²统计量的故障重构问题,获得了主元空间中的完全重构、部分重构,以及可重构性的条件.为进一步在主元空间中进行故障分离和识别提供了可能.通过对双效蒸发过程的仿真监测,对不同传感器的故障类型、幅值等重要信息进行重构和波形估计,证实了所获结果的有效性.     

基于异步PCA的故障识别方法

针对传统的主元分析(PCA)方法仅考虑变量间同步相关性的问题,提出一种基于异步PCA的故障识别方法。该方法首先利用导数动态时间规整(DDTW)从待识别故障数据集的关键变量序列和历史故障数据集的故障变量序列中获得最优规整路径,将最优规整路径上的元素扩展为反映关键变量序列和故障变量序列之间异步相关性的新序列,然后对新变量序列的协方差矩阵进行特征值分解获得负荷矩阵,最后根据负荷矩阵中关键变量序列和故障变量序列的低维表示向量之间的相似性识别故障。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识别性能优于传统的PCA相似系数法。     

基于最小充分统计量模式分析的故障检测方法

统计量模式分析（SPA）最近在故障检测领域取得了广泛应用,其实质是用数据的统计量矩阵来代替原始数据矩阵进行故障检测,然而其统计量的选取存在盲目性且各统计量之间存在复杂的非线性关联关系,难以满足后续应用主成分分析（PCA）完成故障检测所需的基本条件。为了解决这个问题,提出了基于最小充分统计量模式分析的故障检测方法（MSSPA）。该方法首先将原始数据矩阵进行正交变换以消除变量之间的关联性,然后估计出每个变量的概率密度函数或者多个变量的联合概率密度函数,进而求出原始数据的最小充分统计量,并用最小充分统计量来构造统计量矩阵。最小充分统计量的引入还能够有效应对数据的非高斯分布问题。最后,通过在TE过程上的仿真测试验证了该方法用于故障检测的可行性和有效性。     

基于特征样本核主元分析的TE过程快速故障辨识方法

核主元分析（KPCA）在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。针对上述问题,提出了一种基于特征样本核主元分析方法（FS-KPCA）非线性故障辨识方法。首先采用特征样本（FS）提取方法有效解决核矩阵K的计算量问题。然后利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T²和SPE的贡献率,利用每个变量对监控统计量贡献程度的不同,可以辨识出故障源。将上述方法应用到TE过程,仿真结果表明该方法不仅能够有效辨识故障,而且提高了故障检测和辨识速度。     

基于距离空间统计量分析的多模态过程无监督故障检测

工业过程往往运行于多个生产模态,针对多模态过程数据的空间分布特点,提出了一种新的基于样本距离空间统计量分析的故障检测方法(DSSA)。首先用每一个样本与其训练集样本中的邻居之间的k个最近邻距离之差来表示该样本,将样本从原始变量空间映射到对应的距离空间中。然后在距离空间中通过移动窗口的方式计算各阶统计量,最后对由各阶统计量组成的统计量样本进行主元分析(PCA)。将DSSA方法、PCA方法以及另一种基于k近邻规则的多模态故障检测方法(FD-kNN)应用于TE过程中,仿真结果表明DSSA方法对多模态故障检测更为有效。     

A local and global statistics pattern analysis method and its application to process fault identification☆

Traditional principal component analysis (PCA) is a second-order method and lacks the ability to provide higher-order representations for data variables. Recently, a statistics pattern analysis (SPA) framework has been incor-porated into PCA model to make full use of various statistics of data variables effectively. However, these methods omit the local information, which is also important for process monitoring and fault diagnosis. In this paper, a local and global statistics pattern analysis (LGSPA) method, which integrates SPA framework and locality pre-serving projections within the PCA, is proposed to utilize various statistics and preserve both local and global in-formation in the observed data. For the purpose of fault detection, two monitoring indices are constructed based on the LGSPA model. In order to identify fault variables, an improved reconstruction based contribution (IRBC) plot based on LGSPA model is proposed to locate fault variables. The RBC of various statistics of original process variables to the monitoring indices is calculated with the proposed RBC method. Based on the calculated RBC of process variables' statistics, a new contribution of process variables is built to locate fault variables. The simula-tion results on a simple six-variable system and a continuous stirred tank reactor system demonstrate that the proposed fault diagnosis method can effectively detect fault and distinguish the fault variables from normal variables.     

Multimode Process Fault Detection Using Local Neighborhood Similarity Analysis

Traditional data driven fault detection methods assume unimodal distribution of process data so that they often perform not well in chemical process with multiple operating modes. In order to monitor the multimode chemical process effectively, this paper presents a novel fault detection method based on local neighborhood similarity analysis (LNSA). In the proposed method, prior process knowledge is not required and only the multimode normal operation data are used to construct a reference dataset. For online monitoring of process state, LNSA applies moving window technique to obtain a current snapshot data window. Then neighborhood searching technique is used to acquire the corresponding local neighborhood data window from the reference dataset. Similarity analysis between snapshot and neighborhood data windows is performed, which includes the calculation of principal component analysis (PCA) similarity factor and distance similarity factor. The PCA similarity factor is to capture the change of data direction while the distance similarity factor is used for monitoring the shift of data center position. Based on these similarity factors, two monitoring statistics are built for multimode process fault detection. Finally a simulated continuous stirred tank system is used to demonstrate the effectiveness of the proposed method. The simulation results show that LNSA can detect multimode process changes effectively and performs better than traditional fault detection methods.     

基于MSPCA-KECA的冷水机组故障监测及诊断

针对冷水机组同类型不同等级故障的变量变化存在差异会造成误诊断的问题，提出一种基于多尺度主元分析-核熵成分分析（MSPCA-KECA）的故障诊断策略。MSPCA提取故障特征，其输出作为KECA分类器的输入，实现故障的实时监测与自动诊断。首先，改进的MSPCA算法通过将小波多尺度分析与主元分析相结合，筛选故障信息可能存在的尺度直接重构并采用PCA提取故障特征，获取不同类型故障之间差异的同时也保留了同类型但不同等级故障之间的相似性，提高故障诊断的可靠性。之后建立KECA非线性分类器并引入一种新的监测统计量--散度测度统计量，使降维后不同特征信息之间呈现显著的角度差异，易于分类。最后，采用支持向量数据描述（SVDD）算法确定新统计量的控制限，以克服无法获知统计量分布的问题。通过对冷水机组数据的仿真研究，验证了MSPCA-KECA方法的可行性及有效性。     

基于多动态核聚类的间歇过程在线监控

针对传统的多元统计监测方法不能有效检测工业过程中由于初始条件波动较大所引发的弱故障问题,提出一种基于多动态核聚类的核主元分析(DKCPCA)监控策略,实现多阶段间歇过程的弱故障在线监控.该方法首先针对过程中各阶段每一批次数据结合自回归移动平均时间序列模型(ARMAX)和核主成分分析(KPCA)方法分别建立动态核PCA模型,然后根据各批次模型间载荷的相似性采用分层次聚类方法进行聚类,最后将聚在一起的批次数据进行展开重新再建立动态核PCA模型,随着聚类数目的不同从而建立多个类模型.当在线应用时给出了多模型选择策略,以提高监测精度.将此方法应用于青霉素发酵过程的监控中,监测结果表明此方法取得了比DKPCA和MKPCA更好的监测性能.     

基于加权互信息主元分析算法的质量相关故障检测

质量相关的故障检测已成为近几年研究热点,它的目标是在过程监测中,对质量相关的故障检测率更高,对质量无关的故障少报警或不报警。传统主元分析算法的故障检测会对所有故障均报警,不能达到上述要求。另外,在实际工业生产中,质量变量通常难以实时获得,需要后续分析或延时得到。为此,提出一种融合贝叶斯推断与互信息的加权互信息主元分析算法。首先利用贝叶斯推断的加权方法将度量过程变量和质量变量之间相关关系的互信息进行融合,选出包含质量变量信息量最大的一组过程变量。然后对过程变量利用主元分析（principal component analysis,PCA）进行统计建模,再次根据加权互信息选出包含质量变量信息量最大的主元,建立统计量进行故障检测。最后,通过实验验证该方法的可行性和有效性。     

基于约翰逊转换的鲁棒化工过程监控方法

化工厂中一个小故障可能导致大事故,从而造成生命财产损失和环境破坏。为了防止小故障演变成大事故,化学工业需要有效的过程监控来及时检测故障和诊断故障原因。传统化工过程监控方法主元分析法(Principal Component Analysis, PCA)假设数据服从高斯分布,实践中有时并不满足该条件。此外,其使用方差、协方差捕捉数据非线性变化时,鲁棒性较差。本工作提出一种改进的主元分析法—基于约翰逊转换的鲁棒过程监控方法。首先引入约翰逊正态转换(Johnson Transformation)使过程数据服从高斯分布;其次使用鲁棒性强的斯皮尔曼相关系数(Spearman Correlation Coefficient)矩阵代替传统主元分析法的协方差矩阵提取特征向量,构造特征空间;最后将过程数据投影到特征空间,使用T2和SPE统计量实施过程监控。将此方法应用于TE过程故障案例,并与PCA和核主元分析法(Kernel Principal Component Analysis, KPCA)对比,验证了此方法的有效性。     

基于MAF的传感器故障检测与诊断

针对工业控制系统中变量之间既存在线性相关性,且在时间结构上呈现自相关的特点,提出了一种基于最小/最大自相关因子(min/max autocorrelation factors, MAF)分析的传感器故障检测与诊断方法。首先,利用正常工况下的历史数据进行自相关因子分析,获得强自相关因子和弱自相关因子;在此基础上构造故障检测统计量,由核密度估计方法获得故障检测控制限,根据贡献图进行传感器故障定位。将所提出的方法应用于连续反应釜仿真过程的传感器故障检测与诊断,与经典的多变量统计方法——主元分析方法相比,所提出的方法能避免虚警,更快地检测缓变故障,并能更好地诊断和解释复杂故障。