基于多变量频域分解的动态时频过程监控方法研究

提出一种基于多变量频域分解的新型动态时频监控方法.结合已有的频域独立成分分析方法以及带约束的非负分解处理,引入时间滑动窗口,在短时窗内动态提取多重主导功率频谱.提出了多种趋势图,以及反映过程变量对主导频谱贡献程度的显著度指标图.该方法能有效地监控过程系统中主导成分的频率、能量的变化趋势以及过程变量的贡献度,适合于非稳态过程监控以及故障检测与定位.仿真实验表明了该方法是可行的.     

基于时段及过渡区域的KICA间歇过程监测方法

针对间歇过程时段的切换存在过渡区域,同时,间歇过程数据有着强非线性的特点,提出一种基于时段及过渡区域的KICA间歇过程监测方法。该方法基于MPCA及k-means聚类算法对间歇过程进行子时段划分,并基于第一主元贡献率差值识别时段间的过渡区域,在此基础上,对稳定时段建立统一KICA监测模型,而过渡区域针对各时刻滑动窗口进行KICA建模监测。将该方法应用于青霉素发酵过程在线监测,实验结果表明,相比sub..PCA监测方法,本文基于时段及过渡区域的KICA监测方法能更及时、准确的检测到过渡区域的异常。     

基于贡献率法的非线性工业过程在线故障诊断

在过去几十年,核主成分分析（KPCA）已经广泛应用在数据驱动的过程监测领域. 大量的应用案例显示该算法简单、易用且有效. 然而,核函数的引入使得KPCA不能直接利用传统的贡献图方法进行故障诊断. 本文在重新审视和分析现有KPCA相关诊断方法的基础上,提出了一类新的贡献率方法,该方法能较清晰地解释故障变量. 在此基础上,建立了一套面向非线性在线故障诊断的框架. 最后,将该诊断框架应用到CSTR过程,结果显示该方法较传统的线性方法更有效.     

基于四阶累积分析的工业大肠杆菌制备过程故障诊断

工业大肠杆菌制备过程具有非线性和非高斯性共存的特征,导致难以对故障源进行有效定位,针对这个问题,提出一种基于多向核熵独立元分析(MKEICA)的过程监测方法;同时针对传统低阶监控统计量(T2, I2和SPE)无法得到非高斯信息的不足提出了四阶累积监控统计量的方法;其次通过对四阶累积监控量进行推导,得到故障产生的原因.最后将其应用在实际的工业过程并与多向核独立元分析(MKICA)监测模型进行对比验证该方法的可行性及有效性.     

基于正交独立成分分析的过程数据建模

针对非高斯数据分布过程中回归预测精度不足的问题,提出一种在独立成分分析（ICA）的基础上与正交信号校正（OSC）相结合的多元线性回归（MLR）方法——正交独立成分回归（O-ICR）．首先将原输入数据通过正交ICA（O-ICA）进行预处理,去除ICA在提取高阶统计量时带来的与Y无关的干扰变化,然后对校正后的X提取独立成分,代替原输入数据建立与Y之间的回归预测模型．与传统的ICR相比,该方法提取的独立成分经过校正可使回归模型的预测精度更高．最后通过Tennessee Eastman（TE）过程的质量预测仿真,验证了该建模方法的有效性．     

独立因子分析方法在过程监控中的应用

针对工业生产过程非高斯分布的特点,并为解决因子分析(FA)监控方法假设生产过程高斯分布以及独立元分析(ICA)监控方法假设模型为无噪模型等问题,本文结合FA、ICA等多元统计方法的优点,提出1种基于独立因子分析(IFA)的过程监控新方法.此临控方法运用EM算法求解参数,建立数据的非高斯分布模型,构造GI2、GSPE 2种监控指标,通过非参数全局估计算法计算控制限,并将生产过程采集数据实时输入监控系统,以判断有无故障发生.将此方法应用于化工吸附分离过程,通过监控图可以发现,IFA可以及时对故障发生予以报警,而ICA的I2监控指标甚至无法给出故障报警,同时IFA的漏检率、误报率分别较FA降低了40%～60%,以上试验结果均验证了本方法的有效性及优越性.     

基于核正交流形角不相似度的非线性动态过程监测方法

针对过程的非线性和动态特性,提出一种基于核正交流形角不相似度的监测方法.利用两个流形子空间正交向量求取内积矩阵的奇异值,构建基于核正交流形角的不相似度指标,量化评估标准集和测试集的流形子空间的统计量关系.首先,在多流形投影方法的基础上,利用非线性函数将原始过程数据投影到特征空间;其次,引入Gram-Schmidt方法正交化投影向量,形成流形子空间的基向量;再次,对两个流形子空间的内积进行特征值分解,获得核正交流形角,构建不相似度监测模型,该监测指标融合角度和距离度量,能够更好地触发故障警报;最后,通过在TE过程上的仿真实验验证了所提出算法的优越性.     

基于独立源分析的过程监测方法

多元统计过程控制要求观测数据服从正态分布,而实际的5-业过程数据大都不满足正态分布条件.独立源分析（ICA）近几年才发展起来的一种新的统计方法,可以克服对数据分布的依赖性．对此,以ICA算法为核心,引入一种新型的过程监测方法,应用ICA提取独立源,利用I^2图,Ic^2图和SPE图进行故障检测．最后以3水箱系统为例进行了实验研究,取得了很好的效果．     

基于判别式的核独立元分析*

核独立元分析（KICA）法是近年来发展起来的核化算法,但难以将其用于故障诊断问题。为了解决该问题,对两种核独立元分析算法——基于受限协方差测度的方法KICA2和基于核互信息测度的方法KICA3进行变形得到适用于分类或故障诊断的形式。进一步分析了KICA2与一种核偏最小二乘（KPLS）方法的等价性以及KICA3与核主元分析（KPCA）的等价性。最后对Tennessee Eastman过程进行仿真,说明了方法的有效性。     

基于KICA-KFDA的集成故障识别算法

针对复杂的化工过程,提高过程监控能力,提出基于核独立成分分析（kernel independent component analysis,KICA）和核Fisher判别分析（kernel fisher discriminant analysis,KFDA）的过程监测与故障识别方法。通过利用核独立成分分析建立正常工况模型,得到检测故障信息。在发生故障的情况下,利用Fisher判别分析方法在高维的特征空间的特点和优势,可求出满足最大分离程度的核Fisher判别向量和特征向量,根据当前故障的判别向量和历史故障数据集中所含故障的最优核Fisher判别向量的相似度进行故障识别。仿真结果验证了所提方法的有效性。     

基于核主元分析–主元分析的多阶段间歇过程故障监测与诊断

具有过渡特性的多阶段间歇过程故障监测是一个复杂的问题,既需要考虑稳定阶段下的故障监测,也需要考虑不同阶段间的过渡故障监测.为克服传统硬划分方法导致误警和漏报率高的缺陷,同时也为实现更加精确、有效的故障监测与诊断,提出一套完整的基于核主元分析-主元分析(KPCA-PCA)的多阶段间歇过程故障监测与诊断策略.该方法依据数据相似度实现阶段划分,定义模糊隶属度辨识相邻阶段间的过渡,最后对稳定阶段和过渡过程分别建立具有时变协方差的PCA和KPCA故障监测与诊断模型.通过对青霉素发酵过程的仿真平台及工业应用研究表明,该方法具有更可靠的监控性能,能及时、准确的检测出过程中存在的异常情况.     

基于多块核主元分析的复杂过程的分散故障诊断

提出多块核主元分析算法, 基于此算法针对复杂过程提出了新的故障检测和诊断方法. 通过对整体过程分块统计残差实现非线性过程的分散故障诊断目的, 相应的控制限用来分离引起故障的位置或发现引起故障的变量. 提出的方法应用到田纳西过程得出的结论为: 该方法能够有效地提取块内和块间的非线性信息并显示出优越的故障诊断能力.     

一种基于数据重构的KPCA故障识别方法

针对核主元分析(KPCA)方法只能实现故障检测,但无法实现故障变量识别的问题,提出一种基于数据重构的KPCA故障变量识别方法。采用改进的数据重构方法对各参数进行重构,然后利用故障识别指数对监控参数进行故障变量识别。通过对某型涡扇发动机进行实验的结果表明,该方法能够准确识别故障变量,从而有助于维护人员分析故障原因,初步确定可能的故障源,大大缩短故障定位及排故的时间,可预防重大事故的发生。     

基于KPCA的HVAC系统传感器故障诊断

传感器状态的好坏很大程度上影响暖通空调(HVAC)系统的运行,对其展开故障诊断十分必要。核主成分分析(KPCA)方法通过集成算子与非线性核函数计算高维特性空间的主元成分,有效捕捉过程变量中的非线性关系,将其用于传感器常见4种故障的诊断,先用Q统计量进行故障监测,再用T2贡献量百分比变化来识别故障。实验结果表明:KPCA方法具有很好的故障监测与诊断能力。     

联合指标独立成分分析在多变量过程故障诊断中的应用

作为主成分分析(Principal component analysis, PCA)和因子分析(Factor analysis, FA)的扩展, 独立成分分析(Independent component analysis, ICA)已经在多变量过程故障诊断中得到了很多的应用和发展. ICA的监测指标通常有三个(I2、Ie2和SPE), 使用起来不如一个指标方便, 且分散了故障信息.本文利用三个指标的加权和, 提出了两种联合的ICA监测指标. 本文进一步对比分析了不同指标的统计意义和物理意义, 并在仿真数据中验证了联合指标的优势, 在TE过程中验证了其检测和诊断特性.     

基于ICA-PCA的化工流程仪表故障诊断

传统的多元统计过程控制(MSPC)的故障诊断方法要求观测变量数据服从高斯分布,然而实际化工流程中的仪表数据中难以满足这一要求。针对这一问题,提出在仪表数据中提取分离出非高斯信息和高斯信息,并分别利用独立元分析法和主元分析法建立不同的故障诊断模型。在检测到发生故障后,通过改进的贡献度算法定位出发生故障的仪表。通过对Tennessee Eastman(TE)过程数据进行仿真研究,验证了ICA-PCA故障诊断法在化工流程仪表不同故障诊断中的有效性。     

一种基于特征子空间的改进动态核主元分析方法 *

针对传统的动态核主成分分析(Dynamic Kernel Principal Component Analysis)用于大样本数据集的故障检测时,占用计算机内存大、计算复杂度高等不足,提出一种基于特征子空间的DKPCA算法。该方法通过构建具有较小维数特征子空间上的正交基来简化核矩阵K,从而降低DKPCA的计算复杂性。与DKPCA方法相比,该方法具有更高的计算效率且只需较小的计算机存储空间。将该方法应用于TE(Tennessee Eastman)过程,仿真结果显示,二者诊断结果大致相同,而所需时间大大减小,说明了本算法的有效性。     

基于独立元的k近邻故障检测策略

k近邻故障检测(fault detection based on k nearest neighbors,FD–k NN)方法能够提高具有非线性和多模态特征过程的故障检测率.由于系统故障通常由潜隐变量异常变化引起,而该类型故障并不能被观测数据直观表现,因此直接在观测变量上执行FD–k NN方法,其故障检测率降低.本文旨在提高FD–k NN方法针对潜隐变量故障的检测能力,提出基于独立元的k近邻故障检测方法.首先,通过对观测数据应用独立元分析(independent component analysis,ICA)方法,获得独立元矩阵;接下来在独立元矩阵中应用FD–k NN方法进行故障检测.这等同于直接监控过程潜隐变量的变化,可以提高过程故障检测率.通过非线性实例仿真实验,证明本文方法检测潜隐变量故障是有效的;同时,在半导体蚀刻工艺过程的仿真实验中,与主元分析(principal component analysis,PCA)方法、核主元分析(kernel principal component analysis,KPCA)方法、基于主元分析的k近邻故障检测(principal component–based k nearest neighbor rule for fault detection,PC–k NN)方法和FD–k NN方法进行对比,实验结果进一步验证了本文方法的有效性.