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。     

改进PCA及其在过程监测与故障诊断中的应用

提出一种改进的主元分析 (PCA)方法 ,采用主元相关变量残差 (PVR)统计量代替通常的平方预测误差Q统计量 ,用于工业过程的监测与故障诊断。改进PCA避免了Q统计量的保守性 ,能够提供更详细的过程变化信息 ,从而有效识别正常工况改变与过程故障引起的T² 图变化。通过对双效蒸发过程的仿真监测 ,与普通PCA方法进行了比较 ,表明了改进PCA方法的有效性     

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.     

基于主元分析的FPSO故障检测与诊断

应用基于主元分析的故障诊断方法对浮式油轮生产储油卸油系统(FPSO)进行故障检测与诊断研究.选取FPSO油气水分离系统的18个主要过程监控变量为研究对象,通过对系统历史数据进行预处理分析,建立主元模型;利用主元模型对仿真实时数据进行故障检测,应用SPE统计法和Hotelling统计法判断系统是否发生故障;使用贡献图法实现故障分离.研究结果表明:基于主元分析的故障诊断方法可以准确地对FPSO生产过程的早期故障进行检测和诊断;且对于系统的细小扰动,动态主元分析法的故障诊断能力优于主元分析法.     

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。     

基于缺失变量估计误差的工业过程监测方法

传统主元分析(principal component analysis, PCA)算法在实施投影变换挖掘潜在特征成分时,不同投影变换方向对原始数据不同测量变量赋予了不同的权重值。而从故障检测的角度出发,各个测量变量的重要性程度是等同的。因此,传统PCA方法的过程监测性能还有待商榷。为克服这一缺陷,借鉴基于机理模型故障检测方法生成误差的思路,提出一种基于缺失变量估计误差的工业过程监测方法。首先,通过逐一假设每个测量变量缺失后,利用PCA模型中处理缺失变量的迭代算法(iterativealgorithm,IA)推测出相应缺失变量的估计值。然后,以缺失变量的实际值与估计值之间的误差作为被监测对象实施在线故障检测。通过逐一假设变量缺失的方式,等同地对待了每个测量变量。而利用误差实施监测则可以在缺失变量前提下,通过监测误差的变化反映出该缺失变量对PCA模型中特征成分的影响程度。最后,通过在TE过程上的对比验证了该方法的优越性与可行性。     

改进的PCA方法在化工过程故障诊断中的应用研究

主元分析(PCA)方法作为一种基于信号处理的数据驱动方法,已广泛应用于工业过程故障诊断中。但由于PCA本身的缺陷,对故障类型的识别方面存在不足。为此,引入人工神经网络(ANN)方法,与PCA方法相结合,增强了故障识别能力。以田纳西伊斯曼过程为例,验证了改进后的PCA方法在化工过程故障识别和诊断中应用的有效性。     

基于ReliefF的主元挑选算法在过程监控中的应用

传统的主成分分析（principal component analysis,PCA（算法选取包含大部分方差信息的成分作为主元,并将其应用到过程监控中。但是故障信息不一定会投影到方差较大的成分上,使用方差贡献度挑选主元会导致严重的信息丢失和监控效果的恶化。因此使用ReliefF-PCA算法,其中ReliefF算法从故障角度出发,挑选出在区分正常样本和故障样本上权重更高,效果相对更好的成分作为主元。这样挑选出的主元避免了传统PCA算法在主元挑选过程中出现的主观性、盲目性以及重要信息的丢失。ReliefF-PCA算法在过程监控中主要有两个优势,第1,监控效果更好;第2,对原始数据降维效果更好。随后,基于ReliefF-PCA算法,提出一种加权的故障变量贡献图方法。最后,通过Tennessee Eastman（TE（仿真实验测试,ReliefF-PCA算法达到了预期效果。     

Improved performance of process monitoring based on selection of key principal components

Conventional principal component analysis (PCA) can obtain low-dimensional representations of original data space, but the selection of principal components (PCs) based on variance is subjective, which may lead to information loss and poormonitoring performance. To address dimension reduction and information preservation simultaneously, this paper proposes a novel PC selection scheme named full variable expression.On the basis of the proposed relevance of variables with each principal component, key principal components can be determined. All the key principal components serve as a low-dimensional representation of the entire original variables, preserving the information of original data spacewithout information loss.A squaredMahalanobis distance,which is introduced as themonitoring statistic, is calculated directly in the key principal component space for fault detection. To test the modeling and monitoring performance of the proposed method, a numerical example and the Tennessee Eastman benchmark are used.     

GMM and optimal principal components-based Bayesian method for multimode fault diagnosis

Principal component analysis (PCA) serves as the most fundamental technique in multivariate statistical process monitoring. However, other than determining contributions to a fault from each variable based on the pre-selected major principal components (PCs), the PCA-based fault diagnosis with an optimal selection of PCs is seldom investigated. This paper presents a novel Gaussian mixture model (GMM) and optimal principal components (OPCs)-based Bayesian method for efficient multimode fault diagnosis. First, the GMM and Bayesian inference is utilized to identify the operating mode, and then local PCA model is established in each mode. Second, given that the various principal components (PCs) may contain distinct fault signatures, the behavior of each PC in local PCA is examined and the OPCs are selected through stochastic optimization algorithm. Based on the OPCs, a Bayesian diagnosis system is then formulated to identify the fault statuses in a probability manner. Performance of GMM–OPC Bayesian diagnosis is examined through a numerical example and the Tennessee Eastman challenge process. The efficiency and feasibility are demonstrated.     

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。     

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.     

多变量化工过程系统的状态空间及其维数的判定准则

化工过程具有多变量、非线性和连续性的特征。状态空间是一种有效的描述过程状态和特征的方法。今从过程测量的基本因次关系出发,结合机理分析,提出了化工过程状态空间维数的判定准则。若系统单进单出的流股中包含i个独立物质组成,需要考虑j维几何尺寸因素,则系统可用一个维数是2 i j的集中参数变量构成的状态空间来唯一确定。该准则可以用于确定主元分析方法(PCA)的主元数目。按照准则确定的空间维数选取主元可以完全描述线性系统的状态信息;对非线性系统,误差在可以接受的范围内。仿真案例中,PCA及过程独立变量分析和准则判定一致。在状态空间中采用PCA建立坐标描述过程的静态和动态特性,实现了过程状态的可视化,以及操作条件的多目标优化。     

Application of fault monitoring and diagnosis in process industry based on fourth order moment and singular value decomposition

Principal component analysis (PCA) and partial least squares (PLS) have been frequently used for process industry monitoring; however, their application on industrial sites is limited because they cannot be used to process data with non-Gaussian distribution. Independent component analysis (ICA) has become a powerful modelling method for non-Gaussian process monitoring. However, the ICA-based modelling method has been found to contribute to double the amount of data loss in feature extraction. There are two reasons for this. First, when the PCA algorithm is used to whiten the original data, the smaller principal component is discarded. Second, when selecting independent components, some smaller independent components will be discarded according to the evaluation index. The abovementioned two data feature extraction methods may discard useful information for fault monitoring, which will inevitably lead to inaccurate fault monitoring. To solve this problem, a fault monitoring and diagnosis method based on fourth order moment (FOM) analysis and singular value decomposition (SVD) is proposed. First, the fourth order moments of each process variable were constructed separately. Then, the data space of the fourth order moments was decomposed by singular value decomposition to establish the global monitoring statistics. Finally, the contribution diagram was drawn and the fault diagnosis was performed based on the global monitoring results. The proposed method was applied to the Tennessee Eastman (TE) simulation platform, and its effectiveness and feasibility were verified by a comparison with PCA and ICA.