基于主元分析的火电厂生产过程故障检测研究

由于工况变化频繁,使用单一主元模型难以准确描述火电厂生产过程的统计特性,因此应用传统主元分析(PCA)故障检测方法会带来大量的误检。提出了一种适用于火电厂生产过程的改进PCA故障检测方法:首先用K均值聚类分析方法对过程数据进行分类得到各稳态工况下的数据;然后根据分类数据建立主元模型组来描述整个过程;最后在故障检测中对检测样本进行模糊划分,动态计算出与当前工况相适应的主元模型并进行检测。使用现场数据对比研究了传统方法和改进方法在锅炉过程故障检测中的应用情况。结果表明改进方法能适应工况变化,减少误检并提高检测灵敏度。     

IGSA-KPCA邻域建模的多模过程故障检测方法

为提高多模过程故障检测的准确率,提出改进引力搜索算法-核主元分析邻域建模的故障检测方法。首先应用及时学习算法在参考数据集中找到待检数据的相关数据,再将相关数据和待检数据作为核主元分析检测模型的输入进行故障检测。核主元分析模型中的参数对故障检测性能有较大影响,提出改进引力搜索算法对模型中参数进行优化,提高检测性能。将所提方法应用于青霉素多模过程进行实验验证,仿真结果表明所提方法在多模过程故障检测中用时短、准确率高。     

基于独立分量分析的系统性能监控方法研究

为了提高故障检测和诊断的性能,提出了一种基于独立分量分析和支撑向量机对系统性能进行监控的整体框架,这一框架包括特征提取和故障识别两部分.独立分量分析被用来从当前工况的数据矩阵中提取出代表当前工况特征的投影系数矩阵,而这些投影系数矩阵则被用来训练多个支撑向量机,从而利用它们实现故障类型的识别.Tennessee Eastman 过程的仿真研究证实了该算法的可行性,且与传统的基于主元分析的算法相比,能够更早地检测出故障的发生.     

支持向量机在化工过程故障诊断中的应用

针对当前复杂的化工过程,提出一种基于主元分析和优化参数支持向量机相结合的故障诊断方法。先采用主元分析法对TEP的5种状态模式进行特征提取和故障监测,若监测为异常,再利用优化参数的支持向量机进一步进行故障诊断。实验结果表明,与单独使用支持向量机方法相比,所提方法克服了单一方法的缺陷与不足,提高了故障诊断的准确率。     

一种改进的多模态过程故障检测方法

针对传统单模态故障检测方法对多模态工业过程故障检测准确率和效率低的问题,提出将变分模态分解(VMD),独立主元分析(ICA)和核主成分分析KPCA相结合的联合故障检测方法 VMD-IKPCA应用于多模态故障检测。首先,在对样本数据进行模态聚类之后,应用VMD对多模态过程数据进行滤波、降噪处理,通过ICA对处理过后的数据进行主元提取并应用KPCA对提取的主元变量进行故障检测。该方法的有效性通过多模态TE过程的故障检测进行验证,并与传统KPCA方法进行比较。实验结果表明,VMD-IKPCA对多模态过程故障检测有效性好,准确率高。     

DSmT的主冷却剂泵并发故障融合方法分析

针对核电站主冷却剂泵故障特征微弱难以有效辨识及DST仅能解决在无高冲突辨识框架下的单一故障诊断等问题,提出一种基于DSmT决策级主冷却剂泵并发故障融合诊断模型．采用核主泵自由DSm模型和混合DSm模型对含有故障信息的多个独立证据源进行动态融合计算;分析核主泵DSmT故障特征信度赋值变化,确定主冷却剂泵故障(并发故障)诊断总决策. 结果表明, 将核仿真机采集TS、SS、VS和DS多源传感器数据直接对基本概率函数进行赋值,得出主冷却剂泵故障(并发故障)决策结果与实际工况相符,实例验证了所提方法的可行性、有效性及准确性．     

基于双重控制策略的故障检测方法

针对复杂工业过程中变量故障信息统计不完全和故障检测性能不佳的问题,提出一种基于双重控制策略的故障检测方法。对输入数据进行标准化处理并获得数据的偏差变量来揭示数据的故障信息,实现第一重控制;对偏差变量进行处理生成新的辅助监控统计量,实现第二重控制;针对辅助监控统计量阈值难以确定的现象,基于一种反馈调节的参数自适应策略设置阈值。使用提出的方法对田纳西伊斯曼过程(TE过程)进行故障检测,且与改进欧氏距离控制(IEDC)和传统主成分分析(PCA)的故障检测方法进行比较验证。结果表明：与IEDC和PCA方法相比,所提方法能监控TE过程中变量更多的故障信息,在多组类型的故障检测中具有更高的故障检测率与较低的误报率,可有效应用于复杂的工业过程。     

基于PCA-SVDD的故障检测和自学习辨识

为了利用多变量统计过程控制在故障检测上的优势以及克服其在故障辨识诊断上的缺陷,提出一套新的用于化工过程的故障检测和自学习辨识算法.应用主元分析(PCA)实施故障检测并对故障数据运用PCA特征提取,提出3种基于主元分析-支持向量数据描述(PCA-SVDD)的模式判别方法来实现故障的自学习辨识:考虑故障辨识时可能出现的类分布重合问题,分析和比较了基于欧氏距离和归一化半径判别这2种方法,提出针对新型未知故障辨识的加权归一化半径判别法.通过对Tennessee Eastman(TE)过程的仿真研究,说明了提出的故障检测和自学习辨识算法的可行性和有效性.     

在线压缩主元分析的自适应故障检测方法

大规模的工业过程具有动态的特性,主元分析只关注方差最大化,没有很好地解决处理样本的数量以及样本成分是否包含动态特性,所以主元分析不适合直接应用于动态过程的故障检测。因此,提出一种在线压缩主元分析的自适应故障检测方法。在大量的样本中提取一组极具代表性的样本进行压缩数据建模,对于在线实时采集的数据,根据信息是否符合添加要求进行判断,并自动更新监控模型。将该方法应用于田纳西-伊斯曼过程,使用T²进行验证分析,仿真结果表明,所提出的故障检测方法是有效性。     

基于KPCA和SVM的火箭发动机试验台故障诊断方法

为了解决液体火箭发动机试验台的故障诊断问题,提出了一种基于核主元分析(KPCA)特征提取和支持向量多分类机(SVM)的故障诊断方法,该方法首先利用核主元分析对试验台标准故障样本进行特征提取,通过特征分析,建立适合于试验台故障状态识别的层次多分类支持向量机,并对其进行训练,然后将试验数据在主元上投影,输入到训练好的支持向量多分类器,对试验台故障状态进行识别.该方法充分利用了核主元分析强大的非线性特征提取能力和支持向量分类机良好的小样本泛化特性,解决了试验台故障诊断中的小样本、非线性模式识别问题.对试验台的试验结果表明,该方法是有效的、可行的.     

调制故障源信号盲分离的经验模态分解法

针对非线性、非稳态、含噪原始信号混合且混合信号数目小于源信号数目的旋转机械调制故障源信号盲分离问题，提出了一种基于经验模态分解(EMD)和主成分分析(PCA)相结合的方法.对混合信号进行经验模态分解提取嵌入在信号中的所有振荡模式，应用主成分分析方法对所提取的模式进行共性分析，得到模式中的主要成分.利用该方法对仿真数据和两通道滚动轴承加速度振动数据进行了分析，结果表明，该方法能够有效突出旋转机械的故障特征频率成分，避免了误诊断，且适用范围优于独立分量分析方法.     

基于小波包和KPCA的时频域故障检测方法

针对故障检测技术中存在的非线性和信息遗漏问题,在深入分析核主元分析法的基础上,提出了一种新的基于小波包和核主元分析法（KPCA）的时频域故障检测方法.利用小波包对原始信号进行预处理,提取包含时域和频域特征参数构成的特征向量,应用KPCA进行故障检测,同时对液压泵也进行了故障检测.试验结果表明,时域和频域特征参数构成的特征向量很好地反映了故障的特征,与PCA相比,KPCA的主元数目可选择范围宽,该方法对液压泵故障检测有良好的效果.     

PCA故障检测方法及应用

基于主元分析（PCA）的传感器故障检测方法中T2和SPE统计量是两个重要指标。首先介绍T2统计量超限而SPE没超限故障检测的方法。利用主元相关变量残差统计量代替平方预测误差SPE统计量,并采用累积方差贡献率确定PCA模型的主元数。该方法避免了SPE统计量的保守性。最后将该方法应用于电厂某机组工作过程检测中,通过仿真验证该方法的有效性。     

入侵检测系统中基于PCA和C-SSGA的双向数据压缩

针对入侵检测数据中的冗余特征和冗余实例,提出一种基于主成分分析和混合稳态遗传算法的双向数据压缩方法.利用主成分分析对特征进行压缩,有效地去除特征之间的冗余性;用混合稳态遗传算法进行实例压缩,大大缩减了实例的数量;提出一个基于神经网络的入侵检测系统模型,该模型具有多分类、易于更新系统及快速适应新型入侵的特点.在KDD CUP’99上的实验表明,提出的方法是有效的,可以用于处理大数据集的压缩问题.     

基于PCA和半监督聚类的入侵检测算法研究

针对网络入侵检测数据存在大量冗余信息和传统聚类算法对离群点检测不足的问题,提出一种基于主成分分析(principal component analysis, PCA)和半监督聚类的入侵检测算法。首先使用PCA对数据进行特征提取,消除数据间的冗余属性;然后利用少量已标记样本和成对约束信息,通过引入竞争凝聚让系统主动学习,以实现对大量未知样本的检测。在入侵检测数据集和UCI基准数据集上的实验结果表明,该算法能有效提高系统的性能。     

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。     

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WPD和(2D)~2PCA的步态识别方法

为了提高步态识别率,在步态能量图(gait energy image,GEI)基础上,提出了基于小波包分解(waveletpacket decomposition,WPD)和完全主成分分析(two-directional two-dimensional principal component analysis,(2D)2PCA)的步态识别方法.该方法采用基于人体轮廓的GEI来解决步态数据量过大的问题,并采用WPD和(2D)2PCA进行步态特征提取,解决了已有基于小波变换的步态识别方法中高频分量丢失或维数过高问题.在NLPR步态数据库上对该方法进行了评测,并与经典方法进行了比较.实验结果表明:该方法具有更高的识别率和视角变化的鲁棒性.     

高温圆管轴对称导波频散特性的谱方法

针对传统寻根法分析圆管导波频散特性效率偏低以及高温环境对频散特性影响的问题,基于Navier位移运动方程及材料参数的温度依赖关系,推导并建立考虑高温影响的圆管轴对称导波的频散特性方程组;运用谱方法快速高效地分析和获取导波频散特性,同时设计相应的算法流程及图形化分析程序;基于谱方法和寻根法开展常温及高温2种工况下的数值算例仿真与分析,并提出一种更易分析的“频散强度”模型.算例结果表明：2种分析方法获取的频散特性完全吻合,而谱方法分析时间明显小于传统寻根法.本研究可为高温圆管轴对称导波检测参数的优化选择及后续信号分析提供理论支持.     

基于频域特征提取与RBF相结合的磨矿浓度软测量

为解决磨矿浓度难以直接检测的问题,提出一种通过磨机振动、磨音信号频域特征提取利用特征频谱与径向基函数（RBF）神经网络相结合的非线性建模方法。采用快速傅里叶变换（FFT）将时域振动及磨音信号转换为频谱变量,对频谱变量通过主元分析（PcA）进行谱特征提取,采用径向基函数（RBF）变换实现谱特征的非线性映射。实验表明,该方法可以实现对磨矿浓度的准确软测量,提高测量精度1%,方法有效。