基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法

传统统计局部核主元分析（statistical local kernel principal component analysis, SLKPCA）在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析（weighted statistical local kernel principal component analysis, WSLKPCA）的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼（Tennessee Eastman, TE）化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。     

基于加权概率CVDA的动态化工系统微小故障检测

典型变量差异度分析（CVDA）是近年来提出的一种新型动态过程监控方法,已在微小故障检测领域获得成功应用。针对传统CVDA方法忽视了特征量的概率信息挖掘问题,提出一种基于加权概率CVDA（WPCVDA）的动态化工系统微小故障检测方法。一方面,该方法在基本CVDA模型特征基础上引入Wasserstein距离（WD）度量特征量概率分布的变化,构造概率化的WD特征提高CVDA模型对微小故障的灵敏度;另一方面,进一步考虑不同的WD特征成分携带故障信息的差异性,设计一种自适应权值计算策略,为关键的故障敏感特征成分设置大的权值,突出其在监控统计量中的作用。在一个标准化工过程的验证结果说明,所提出的WPCVDA方法比传统CVDA方法具有更好的微小故障检测性能。     

基于双层局部KPCA的非线性过程微小故障检测方法

针对传统核主元分析（KPCA）方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析（double-level local kernel principal component analysis,DLKPCA）的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。     

基于加权概率CVDA的动态化工系统微小故障检测

典型变量差异度分析（CVDA）是近年来提出的一种新型动态过程监控方法,已在微小故障检测领域获得成功应用。针对传统CVDA方法忽视了特征量的概率信息挖掘问题,提出一种基于加权概率CVDA（WPCVDA）的动态化工系统微小故障检测方法。一方面,该方法在基本CVDA模型特征基础上引入Wasserstein距离（WD）度量特征量概率分布的变化,构造概率化的WD特征提高CVDA模型对微小故障的灵敏度;另一方面,进一步考虑不同的WD特征成分携带故障信息的差异性,设计一种自适应权值计算策略,为关键的故障敏感特征成分设置大的权值,突出其在监控统计量中的作用。在一个标准化工过程的验证结果说明,所提出的WPCVDA方法比传统CVDA方法具有更好的微小故障检测性能。     

基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法

传统统计局部核主元分析(statistical local kernel principal component analysis, SLKPCA)在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析(weighted statistical local kernel principal component analysis, WSLKPCA)的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼(Tennessee Eastman, TE)化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。     

基于加权统计特征KICA的故障检测与诊断方法

针对核独立元分析（kernel independent component analysis, KICA）在非线性动态过程中对微小故障检测率低的问题,提出一种基于加权统计特征KICA（weighted statistical feature KICA, WSFKICA）的故障检测与诊断方法。首先,利用KICA从原始数据中捕获独立元数据和残差数据;然后,通过加权统计特征和滑动窗口获取改进统计特征数据集,并由此数据集构建统计量进行故障检测;最后,利用基于变量贡献图的方法进行过程故障诊断。与传统KICA统计量相比,所提方法的统计量对非线性动态过程中的微小故障具有更高的故障检测性能。应用该方法对一个数值例子和田纳西-伊斯曼（Tennessee-Eastman, TE）过程进行仿真测试,仿真结果显示出所提方法相对于独立元分析（ICA）、KICA、核主成分分析（kernel principal component analysis, KPCA）和统计局部核主成分分析（statistical local kernel principal component analysis, SLKPCA）检测的优势。     

基于双层局部KPCA的非线性过程微小故障检测方法

针对传统核主元分析(KPCA)方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析(double-level local kernel principal component analysis,DLKPCA)的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。     

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。     

基于稀疏核主元分析的在线非线性过程监控

核主元分析(KPCA)适合非线性过程的监控,但存在计算量大、实时性差等缺点。提出一种基于稀疏KPCA(SKPCA)的过程监控方法,先使用SKPCA对正常建模数据进行加权,少数权值大的数据基本能代表全部正常数据的信息,因此稀化了建模数据,然后根据稀化后的正常数据建立过程的KPCA模型,并提出监控指标,大大减少了计算量,提高了监控的实时性,最后以化工分离过程为对象,就KPCA与SKPCA的监控效果和实时性进行了详细的对比研究,结果表明了基于SKPCA监控方法的优越性。     

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KECA的化工过程故障监测新方法

针对化工过程数据复杂、非线性的特点,提出一种基于核熵成分分析(KECA)的化工过程故障监测算法。首先,KECA算法按照Renyi熵值的大小选取特征值及特征向量,相比传统的KPCA监测算法,其保留主元个数更少,可以有效减少运算量。同时,仿真研究表明KECA算法选取的主元具有角度结构特性,据此,提出一种新的统计量--CS(Cauchy-Schwarz)统计量,其对应到核特征空间中即为向量间的角度余弦值,可以较好表述不同概率密度分布之间的相似度。最后,将KECA和KPCA算法分别应用于TE(Tennessee Eastman)过程,结果表明KECA在故障检测延迟与检出率相比KPCA都有很大的优势。     

基于小波去噪与KPCA的TE过程故障检测研究

针对化工过程复杂非线性,并且含有噪声和随机干扰的特点,提出利用小波去噪与核主元分析(KPCA)相结合的方法来进行故障检测,既可以达到去噪、抗干扰的目的,又可以将输入空间中复杂的非线性问题转化为特征空间中的线性问题,从而解决了主元分析(PCA)方法在非线性过程中性能差的问题.并将该方法应用于Tennessee Eastm...     

Nonlinear process monitoring using kernel principal component analysis

In this paper, a new nonlinear process monitoring technique based on kernel principal component analysis (KPCA) is developed. KPCA has emerged in recent years as a promising method for tackling nonlinear systems. KPCA can efficiently compute principal components in high-dimensional feature spaces by means of integral operators and nonlinear kernel functions. The basic idea of KPCA is to first map the input space into a feature space via nonlinear mapping and then to compute the principal components in that feature space. In comparison to other nonlinear principal component analysis (PCA) techniques, KPCA requires only the solution of an eigenvalue problem and does not entail any nonlinear optimization. In addition, the number of principal components need not be specified prior to modeling. In this paper, a simple approach to calculating the squared prediction error (SPE) in the feature space is also suggested. Based on T² and SPE charts in the feature space, KPCA was applied to fault detection in two example systems: a simple multivariate process and the simulation benchmark of the biological wastewater treatment process. The proposed approach effectively captured the nonlinear relationship in the process variables and showed superior process monitoring performance compared to linear PCA.     

Enhanced statistical analysis of nonlinear processes using KPCA, KICA and SVM

In this paper, some drawbacks of original kernel independent component analysis (KICA) and support vector machine (SVM) algorithms are analyzed for the purpose of multivariate statistical process monitoring (MSPM). When the measured variables follow non-Gaussian distribution, KICA provides more meaningful knowledge by extracting higher-order statistics compared with PCA and kernel principal component analysis (KPCA). However, in real industrial processes, process variables are complex and are not absolutely Gaussian or non-Gaussian distributed. Any single technique is not sufficient to extract the hidden information. Hence, both KICA (non-Gaussion part) and KPCA (Gaussion part) are used for fault detection in this paper, which combine the advantages of KPCA and KICA to develop a nonlinear dynamic approach to detect fault online compared to other nonlinear approaches. Because SVM is available for classifying faults, it is used to diagnose fault in this paper.For above mentioned kernel methods, the calculation of eigenvectors and support vectors will be time consuming when the sample number becomes large. Hence, some dissimilar data are analyzed in the input and feature space.The proposed approach is applied to the fault detection and diagnosis in the Tennessee Eastman process. Application of the proposed approach indicates that proposed method effectively captures the nonlinear dynamics in the process variables.     

Improved multi-scale kernel principal component analysis and its application for fault detection

In this paper the multiscale kernel principal component analysis (MSKPCA) based on sliding median filter (SFM) is proposed for fault detection in nonlinear system with outliers. The MSKPCA based on SFM (SFM-MSKPCA) algorithm is first proposed and applied to process monitoring. The advantages of SFM-MSKPCA are: (1) the dynamical multiscale monitoring method is proposed which combining the Kronecker production, the wavelet decomposition technique, the sliding median filter technique and KPCA. The Kronecker production is first used to build the dynamical model; (2) there are more disturbances and noises in dynamical processes compared to static processes. The sliding median filter technique is used to remove the disturbances and noises; (3) SFM-MSKPCA gives nonlinear dynamic interpretation compared to MSPCA; (4) by decomposing the original data into multiple scales, SFM-MSKPCA analyze the dynamical data at different scales, reconstruct scales contained important information by IDWT, eliminate the effects of the noises in the original data compared to kernel principal component analysis (KPCA). To demonstrate the feasibility of the SFM-MSKPCA method, its process monitoring abilities are tested by simulation examples, and compared with the monitoring abilities of the KPCA and MSPCA method on the quantitative basis. The fault detection results and the comparison show the superiority of SFM-MSKPCA in fault detection.