基于核主元分析和模式匹配的非线性性能监控和故障诊断

利用核主元分析非线性性能监控的优势,并将相似度分析引入故障诊断领域,提出了基于核主元分析和模式匹配技术相结合的性能监控和故障诊断方法。针对PCA相似度分析存在的问题,对该方法进行了改进。由于KPCA方法具有较好的非线性特性提取能力,因此首先利用KPCA法计算数据的非线性主元,然后计算不同数据集之间的非线性主元相似度;并将主元相似度、非线性主元相似度和基于距离的相似度赋予不同的权值构成综合相似度指标来进行模式匹配。TE过程仿真试验验证了该方法在非线性性能监控与故障诊断中的有效性。     

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.     

一种基于KPCA的非线性故障诊断方法

介绍了一种非线性故障检测方法———核主元分析法(KPCA),通过核函数来完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间.在特征空间中使用PCA计算主元,构造T2和SPE统计量检测过程故障的发生.提出了一种KPCA贡献图计算方法,根据测量变量和非线性主元的相关性,计算测量变量的贡献量绘制贡献图,用于故障变量的分离.仿真结果表明,KPCA方法可以比PCA方法更加迅速的检测到故障的发生,利用KPCA贡献图可以较好的辨识出故障变量.     

含蜡原油管道摩阻系数的辨识计算

基于反问题分析方法,以最小二乘准则为终止条件,根据原油管道不稳定过程的压力实测数据,采用Levenberg-Marquardt方法辨识含蜡原油管道站间摩阻系数。应用特征线法直接计算摩阻系数敏感度Jacobian矩阵,并通过算例比较了采用平均摩阻系数法、公式计算摩阻系数法及辨识算法计算的原油管道中间点压力值与实测值的偏差。结果表明,采用辨识方法求解的管道沿线摩阻系数能够对管道沿线压力流量值进行较好的估计。     

基于改进MSPCA的交通检测器故障诊断模型

针对交通检测器故障诊断过程中,噪声掩盖了部分故障信息以及故障信息分布的多尺度性,提出了一种改进的多尺度主元分析（ MSPCA）模型。模型首先将交通检测器数据进行分段处理,再加入改进的小波阈值除噪,对滤除噪声后的小波系数进行主元分析,最后利用二维贡献图完成故障的定位。模型应用于线圈检测器的故障诊断实验,与MSPCA及自适应主元分析相比,该模型减小了误报率和漏报率,准确率更高,抗噪能力更强。     

涡流室柴油机放热规律的计算与分析

给出一种计算涡流室柴油机放热规律的变流量系数法.分析了涡流室通道流量系数的影响因素,并用相似理论求出其变化规律.对放热规律的计算模型和计算结果也进行了分析.     

基于改进的小波核主元分析故障检测

研究了基于核主元分析的非线性系统故障检测问题.提出了一种改进的小波核主元分析的故障检测方法.该方法首先对数据进行小波去噪预处理,然后再利用小波核函数,将非线性的输入空间转换到线性特征空间.在特征空间使用主元分析,结合SPE统计量和T2统计量对非线性系统进行故障检测.仿真结果表明:该方法能够提高故障检测性能.     

基于DPCA-BP的故障诊断方法

针对动态主元分析(DPCA)在故障识别方面的缺点,引入了BP神经网络,将DP-CA与BP神经网络相结合,增强了对故障的辨识能力。该方法通过对各测量变量的自相关性分析,来降低动态主元分析中增广矩阵的维数,从而降低了分析过程的计算量。最后,将DPCA-BP应用于田纳西-伊斯曼过程的故障诊断中,验证了所提出方法的有效性。     

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。     

基于因果拓扑图的工业过程故障诊断

基于因果拓扑图的工业过程故障诊断方法,将过程知识与数据驱动故障诊断方法结合,有效解决了故障定位和故障传播路径辨识问题。 在因果拓扑图的基础上,基于偏相关系数提出一种相关性指标(correlation index, CI)定量衡量因果拓扑中变量间的相关性,实现变量间因果性和相关性的良好结合。为得到准确的故障检测结果,采用概率主元分析(PPCA)对CI指标进行监测。在检测出故障后,应用重构贡献图(reconstruction-based contribution, RBC)和因果拓扑图,并引入加权平均值的概念辨识出最可能的故障传播路径。将提出的方法用于带钢热连轧过程,结果表明,基于因果拓扑图的故障诊断方法能够准确地定位故障源,辨识故障传播路径。