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.     

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．     

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ICA和SVM的滚动轴承故障诊断方法研究

通过对滚动轴承振动信号的分析处理,提出了基于独立分量分析和支持向量机的故障诊断方法,采用FastICA算法对信号进行分析处理,提取出代表轴承运行状态的投影系数矩阵,并以此作为特征向量来建立支持向量机分类器,利用SVM网络的智能性来判断滚动轴承的工作状态和故障类型。     

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。     

Evaluation of a pattern matching method for the Tennessee Eastman challenge process

In this paper, we evaluate multivariate pattern matching methods for the Tennessee Eastman (TE) challenge process. The pattern matching methodology includes principal component analysis based similarity factors and dissimilarity factor of Kano et al., that compare current and historical data. In our similarity factor approach, the start and end times of disturbances are not known a priori and the data are compared by moving a window though the historical data. Comparisons with methods used in earlier case studies of the TE challenge process show advantages of using the proposed similarity factor approach.     

基于数据和知识的工业过程监视及故障诊断综述

从复杂工业过程所可能具有的过程特性及数据存取过程中引入的数据特性分析出发,综述了具有复杂数据特性的工业过程的多元统计监视方法,并分别讨论了基于数据和基于知识方法进行故障诊断的优势、进展、适用范围及二者结合的可能.最后探讨了这一领域中值得进一步研究的问题和可能的发展方向.     

铜闪速熔炼过程操作模式快速匹配策略

在利用相似模式的归纳与综合实现铜闪速熔炼过程多操作参数同步优化的过程中,针对模式库庞大引起相似模式发现效率低的问题,提出了两级模式快速匹配方法.该方法采用主元分析实现属性权重设定,通过构造模式间相似性度量准则,并在初级匹配准则中引入柯西不等式,以减少计算复杂度,快速缩小次级匹配的搜索范围,提高模式匹配速度. UCI数据集仿真和实际生产数据应用结果验证了该方法的有效性和可行性.     

基于KPCA的半定量SDG过程故障诊断方法应用研究

近年来,过程工业安全事故频发,这使得加强生产过程安全保障变得迫在眉睫,而对于过程故障的监测、诊断是有效规避故障产生严重后果的一个有效方法。本文提出了一种基于核主成分分析(KPCA)的半定量符号有向图(SDG)故障诊断方法。此方法运用KPCA对过程进行异常检测,当找到异常过程变量后,通过引入相对偏移率和分类诊断对传统SDG进行改进,从而得到故障的完整传播路径,为故障诊断以及后续的故障处理提供了有效的指导。通过在TE过程中的仿真验证,结果表明,本方法诊断效率高,精确度高,为保证生产安全运行,提高产品质量提供了新途径。     

A probabilistic principal component analysis-based approach in process monitoring and fault diagnosis with application in wastewater treatment plant

Probabilistic principal component analysis (PPCA) based approaches have been widely used in the field of process monitoring. However, the traditional PPCA approach is still limited to linear dimensionality reduction. Although the nonlinear projection model of PPCA can be obtained by Gaussian process mapping, the model still lacks robustness and is susceptible to process noise. Therefore, this paper proposes a new nonlinear process monitoring and fault diagnosis approach based on the Bayesian Gaussian latent variable model (Bay-GPLVM). Bay-GPLVM can obtain the posterior distribution rather than point estimation for latent variables, so the model is more robust. Two monitoring statistics corresponding to latent space and residual space are constructed for PM-FD purpose. Further, the cause of fault is analyzed by calculating the gradient value of the variable at the fault point. Compared with several PPCA-based monitoring approaches in theory and practical application, the Bay-GPLVM-based process monitoring approach can better deal with nonlinear processes and show high efficiency in process monitoring.     

非线性特征提取和LSSVM在化工过程故障诊断中应用

提出利用非线性特征提取（核主成分分析（KPCA）和核独立成分分析）消除数据的不相关性,降低维数。核主成分分析利用核函数把输入数据映射到特征空间,进行线性主成分分析计算提取特征;核独立成分分析在KPCA白化空间进行线性独立成分分析（ICA）变换提取独立成分。提取的特征作为最小二乘支持向量机分类器的输入,构建融合非线性特征提取和最小二乘支持向量机的智能故障分类方法。研究了该方法应用到某石化企业润滑油生产过程的故障诊断中的有效性和可行性。     

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.