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。     

油料装备故障检测数据融合研究

为解决油料装备检测数据庞大、故障不易诊断的问题,对油料装备故障检测数据融合进行研究。提出基于神经网络的状态检测数据融合模型,采用三步训练法进行传感器验证。使用数据压缩技术,将整个数据集投射到低维空间,将模式识别和多元统计技术作为故障隔离的单个分类器,利用后验概率进行特定类Bayesian融合,执行融合中心与单个分类器的联合优化。提出基于阶乘隐Markov模型的动态多故障诊断方法,通过寻找最大后验配置实现多分类器动态融合。应用结果表明该方法可提高对油料装备故障的诊断率。     

一种简化的动态独立元分析方法

在动态过程中,传统主元分析（PCA）法无法利用过程变量的自相关性对过程进行准确地分析,而且过程数据不一定满足高斯分布从而导致误报和漏报,这个问题可以采用动态独立元分析法（DICA）来解决.本文根据动态过程时间滞后的大小提出了一种简化的DICA方法,并用相应的二阶动态模型进行了仿真验证,结果表明与DICA相比,该方法同样有效且简便易行.     

基于高斯和非高斯双子空间SVM的故障检测

为了降低样本间的自相关性对支持向量机(SVM)检测性能的影响,提出一种基于高斯和非高斯双子空间SVM(DSSVM)的故障检测方法.首先运用Kolmogorov-Smirnov(KS)检验原始数据中过程变量的正态分布特性,将过程变量划分为高斯子空间和非高斯子空间,并建立基于PCA的高斯子空间和IC A的非高斯子空间故障检测模型;分别对主元矩阵和独立元矩阵引入时滞特性和时差输入特性,该特性的引入能够降低样本间的自相关性;最后将引入时滞和时差特性的矩阵进行组合,运用SVM模型对其进行故障检测和监视.将该方法运用于多变量数值仿真和田纳西-伊斯曼工业过程,并与PCA、ICA、SVM和基于变量分布特征的统计过程检测方法(VDSPM)比较,仿真实验结果进一步验证了该算法的有效性.     

支持向量机回归预测在网络故障检测中的应用

无线传感器网络主要用于收集环境数据,然而传感器可靠性低,容易出现故障并返回异常的监测数据.因此,如何检测传感器故障成为关乎无线传感器网络监测性能的重要问题.提出了基于支持向量机回归预测的故障检测算法,通过充分利用历史数据预测传感器的测量值,并根据测量值与实际值的对比有效地划分信誉等级,最后基于置信数据集计算出的置信条件进行故障的检测.仿真结果证明了算法在节约能量和故障检测率上有着优异的表现.     

基于动态内并行潜结构投影的故障检测方法

针对实际工业过程故障检测时存在误报警现象及易缺失部分时段质量数据的问题，提出在线监测动态内潜结构投影(OM-DiPLS)模型.该模型通过引入时延的质量数据，使得在缺失部分时段质量数据时能够实现模型的更新.为了更好地监控质量变量中不可预测的信息，基于OM-DiPLS模型提出在线监测动态内并行潜结构投影模型.该模型将过程数据和质量数据投影到输入输出相关的协变子空间、输出无关但过程相关的输入主子空间、输入残差子空间、不可预测的输出主子空间及输出残差子空间，通过对各子空间构造相应的统计量，实现过程监测.田纳西-伊斯曼过程仿真的实验表明，利用所提算法有效提高了质量相关故障的有效检测率，降低了质量无关故障的误报率.     

基于主元分析的传感器故障检测研究

基于主元分析（PCA）的故障诊断方法是故障诊断领域一个重要研究分支。本文首先介绍了主元分析的理论,然后深入研究了基于主元分析方法的传感器故障检测问题。该方法能够在对测量参数相关性分析的基础上,将传感器测量值所组成的测量空间分解为主元和残差两个子空间,通过传感器实际测量数据与正常数据矩阵在残差子空间投影的比较,对传感器的故障进行检测。最后进行具体仿真,仿真结果表明主元分析法对传感器具有很好的故障检测能力。     

加权局部近邻标准化PCA的工业过程故障检测

针对工业生产过程的多模态、方差差异明显和非高斯特性,提出一种加权局部近邻标准化PCA(WLNSPCA)的故障检测方法.通过计算每个样本的k近邻样本的加权均值和标准差对原始数据集进行标准化,消除数据的多模态、方差差异和非高斯特性.对加权局部近邻标准化后的数据建立PCA模型,利用SPE和T²统计量进行过程监视.对新来测试样本进行加权局部近邻标准化,再向PCA模型上投影,计算相应统计量.将该方法应用于数值例子和半导体过程,仿真实验结果表明：与PCA、核主成分分析（KPCA）和加权近邻标准化PCA（WNSPCA）相比,加权局部近邻标准化PCA(WLNSPCA)具有一定的优越性.     

基于注意力增强型编解码网络的化工过程故障诊断

化工过程的数据往往含有动态时序特性,传统故障检测对动态信息的使用率较低,限制了故障诊断性能。针对这个问题,提出了一种基于注意力增强的编解码网络模型的化工过程故障诊断新方法。编码部分利用LSTM提取过程数据的特征信息,结合注意力机制,更加有效地利用过程数据间的动态信息;解码部分利用LSTM并结合注意力机制提供的上下文向量,为归一化指数的回归提供更加精准的状态信息,最后利用归一化指数回归得到各个样本数据的故障类别概率值。结果表明,注意力机制的引入,提高了模型在时域下对过程动态信息的使用效率。针对本文提出的方法,利用田纳西伊士曼过程数据进行了实验,并与标准的PCA-SVM、DBN和ResNet的结果进行了对比。结果表明,该方法诊断故障的效果更加理想。     

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。     

基于故障临界值的传感器故障检测方法的研究

在基于PCA的故障检测行为研究的基础上，对4种检测结果进行详细分析．在检测统计量T^2超限而SPE并未超限的情况下，设定故障临界值，利用传感器数据高度相关的特点，及其故障前后相关系数的变化情况，区分出是过程扰动还是传感器故障．通过仿真分析结果验证了其有效性．     

基于PCA-SVDD的滚动轴承性能退化评估

针对滚动轴承早期微弱故障难以及时发现的问题,提出一种基于主成分分析(PCA)和支持向量数据描述(SVDD)的滚动轴承性能退化评估模型. 使用主成分分析法对滚动轴承振动信号时域和频域的特征指标进行加权融合,构建一个可以有效全面描述滚动轴承运行状况的综合特征指标,将正常状态样本的综合特征指标输入SVDD模型完成评估模型的构建,通过设置健康报警阈值判定轻微故障出现时间,并采用滚动轴承全寿命试验数据进行验证. 结果表明,与以峭度指标、均方根值作为SVDD模型的特征指标输入相比,该评估模型可以更早检测到滚动轴承早期微弱故障的发生,也能更准确地描述滚动轴承整体退化程度.     

Fault detection of excavator’s hydraulic system based on dynamic principal component analysis

In order to improve reliability of the excavator＇s hydraulic system, a fault detection approach based on dynamic principal component analysis（PCA） was proposed. Dynamic PCA is an extension of PCA, which can effectively extract the dynamic relations among process variables. With this approach, normal samples were used as training data to develop a dynamic PCA model in the first step. Secondly, the dynamic PCA model decomposed the testing data into projections to the principal component subspace（PCS） and residual subspace（RS）. Thirdly, T2 statistic and Q statistic performed as indexes of fault detection in PCS and RS, respectively. Several simulated faults were introduced to validate the approach. The results show that the dynamic PCA model developed is able to detect overall faults by using T2 statistic and Q statistic. By simulation analysis, the proposed approach achieves an accuracy of 95% for 20 test sample sets, which shows that the fault detection approach can be effectively applied to the excavator＇s hydraulic system.     

应用于姿态敏感器的SORNN微小故障诊断方法

为实现空间外部干扰和测量噪声存在情况下,航天器姿态敏感器微小故障的有效检测,以及方位敏感器和惯性敏感器之间的故障隔离,提出了一种基于自组织循环神经网络(self-organizing recurrent neural network, SORNN)的微小故障诊断方法。首先,设计了SORNN模型,包括网络结构自组织算法、终止条件和调整条件,实现对网络隐藏层神经元数量和循环记忆深度的自适应调节,用以提升网络的拟合性能。然后,针对姿态运动学子系统设计了基于SORNN的干扰观测器,给出网络权值更新算法并证明了状态估计误差的收敛性。将系统输出估计误差通过低通滤波器以抑制星敏感器测量噪声,推导更严格的残差和检测阈值进而提高对微小故障的检测能力。最后,针对姿态动力学子系统设计了故障隔离观测器,通过干扰解耦和干扰观测器的补偿消除未知扰动和噪声对残差的影响,利用动力学和运动学的冗余关系解决了两类敏感器故障的隔离问题。仿真结果表明,验证了所提方法对扰动和噪声掩盖下的星敏感器和陀螺微小故障检测与隔离的有效性。     

一种基于BP神经网络的传感器故障诊断方案

针对传感器故障,提出了一种BP网络和修正的Bayes分类算法(MB)的集成故障诊断方法.用BP神经网络建立传感器故障模型,对系统的状态和故障参数进行在线估计,再用修正的Bayes算法进行传感器故障的在线检测、分离和估计.对连续搅拌釜式反应器(CSTR)的仿真结果表明,该集成故障诊断方法能够对传感器故障进行快速准确的分离和估计,并对传感器故障具有容错性.     

动态核主元分析在无人机故障诊断中的应用

飞行控制系统作为无人机(unmanned aerial vehicle, UAV)的核心子系统,对其进行故障诊断可以大大提高无人机的安全性和可靠性。在无人机数学模型未知或者不确定的情况下,数据驱动的故障诊断方法比基于模型的方法更实用。考虑无人机飞行控制系统是典型的非线性动态系统,采用一种非线性主元分析方法对其进行故障诊断。利用数据建立无人机飞行控制系统正常状态下的动态核主元模型,通过T²和SPE两种统计量实现故障检测;故障发生后,利用重构贡献图的方法进行故障分离。仿真试验证明,该方法能对典型的无人机执行器和传感器故障进行有效监测和诊断。与动态主元分析相比,动态核主元分析方法对微小故障更为敏感。     

基于最小二乘及分类向量机的空气调节器故障检测

为了对空气调节器的故障进行检测和诊断,提高建筑物管理系统的能源利用率,提出一种基于递归最小二乘的故障检测和诊断方法.方法包含特征选择、递归最小二乘和支持向量机分类三个部分,在特征选择中,将空气调节器的故障分为11个类型,并基于Relief F算法选取三个最显著的特征变量.在递归最小二乘中,通过最小化真实值与预测值之差的平方和对模型的参数进行估计,并基于二叉决策树思想采用支持向量机对11个故障状态和1个正常状态进行分类.结果表明,所提方法可以更好地对空气调节器中的故障进行检测,并对故障类型进行分类.     

皮纳卫星姿控系统分层式故障检测

为了实现皮纳卫星的多故障在线检测,提出针对姿控系统的分层故障检测方案. 该方案将系统划分为系统层和器件层,系统层基于卫星动力学与运动学模型设计非线性观测器,实现姿控分系统故障的全局监测;器件层利用动力学模型设计数字动力学陀螺,结合卡尔曼算法新息以及小波分析,实现故障的定位. 通过分层检测,可以支持多器件故障的实时检测,能够检测常见的在轨姿态控制系统故障. 仿真结果表明,该方案能够实现多器件同时故障的检测,适应突变、偏差、恒增益、输出卡死等故障类型,检测准确率达到92%,误检率低于2%;由于采用假设检验取代阈值判断,相对于常规小波阈值检测方法,故障检测结果的可靠性更高,适应更多的故障类型,避免了阈值的选取问题,且节省计算资源,无需大量的历史信息,能够满足在线实时检测要求.     

基于支持向量机的转子振动故障融合诊断技术

针对某些大型复杂旋转机械振动信号特征提取和故障样本获取难的问题,提出了一种基于小波包特征谱熵支持向量机（SVM）的转子振动故障融合诊断方法.通过转子实验台模拟了转子振动的4种典型故障,并采集其振动故障数据.用小波包对振动故障信号进行分解,提取故障信息含量大的频带并计算出其小波特征谱熵作为故障特征,建立故障诊断模型.通过对故障类别的区分和故障严重程度的判断,验证了该方法在解决转子振动故障信号的特征提取及小样本情况下的故障诊断问题等方面是有效的.