基于二维主元分析的间歇过程故障诊断

传统的多向主元分析(MPCA)已广泛应用于监视多变量间歇过程。在MPCA算法中,三维的间歇过程数据需要转换为高维的二维向量,导致计算量和存储空间大,同时不可避免地丢失一些重要信息。因此,提出一种新的基于二维主元分析(2DPCA)的故障诊断方法。由于每个批次的间歇过程数据是一个二维向量(矩阵),应用以各个批次矩阵为分析对象的2DPCA算法,避免矢量化,存储空间和存储需求小;另外,2DPCA采用各个批次的协方差的平均值来进行建模,能够更加准确地反映出不同类型的故障,在一定程度上增强了故障诊断的准确性。半导体工业实例的监视结果说明,2DPCA方法优于MPCA。     

多段MPCA法监测间歇过程的故障

多向主元分析(MPCA)是监测间歇生产过程故障的较为有效的方法,但由于其自身的线性化特点,故在复杂的非线性动态系统的监测中便不能及时、准确地发现故障。本文就MPCA法的这一缺点提出新的多段MPCA法,根据过程本身的动态特性,将间歇过程分成多阶段,用多个MPCA模型来描述。此法应用于监测青霉素发酵的过程,比普通MPCA能更及时、准确地检测到故障。     

间歇过程多变量统计过程控制的理论与方法

统计过程控制技术作为一种用统计分析方法保证产品质量和生产稳定性的手段,在现代工业生产中的应用日益广泛。阃歇生产过程因其过程变量的时间相关性和变量之间大多存在强非线性关系的特点,采用传统的统计过程控制方法难以满足其对产品高质量的要求。通过多元投影的方法压缩过程变量的维数,在较低维的主元空间对过程进行监控。可以较好的解决上述矛盾。针对间歇过程运行的特点,分析了线性和非线性多元统计过程控制技术的理论和方法。     

间歇过程多变量统计过程控制的理论与方法

统计过程控制技术作为一种用统计分析方法保证产品质量和生产稳定性的手段,在现代工业生产中的应用日益广泛。间歇生产过程因其过程变量的时间相关性和变量之间大多存在强非线性关系的特点,采用传统的统计过程控制方法难以满足其对产品高质量的要求。通过多元投影的方法压缩过程变量的维数,在较低维的主元空间对过程进行监控,可以较好的解决上述矛盾。针对间歇过程运行的特点,分析了线性和非线性多元统计过程控制技术的理论和方法。     

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.     

基于传递熵的MPCA间歇过程监测方法

传统统计分析方法忽略了变量间作用关系,而传递熵可以有效地表达变量间作用关系,因此提出了一种基于传递熵的MPCA间歇过程监测方法.利用传递熵表达变量间的作用关系,在计算传递熵时采用非参数核密度估计法,利用该方法不依赖于数据先验分布知识的特点来处理非高斯分布的过程数据,通过构建传递熵矩阵,结合滑动窗,实现对间歇过程变量间信息传递的动态表达,最后对传递熵矩阵进行多向主元分析方法(MPCA)建模,实现间歇过程监测.通过青霉素发酵的仿真,结果表明与传统多变量统计过程控制(MSPC)方法作对比,本文监测方法能更及时准确地监测到过程异常.     

一种间歇过程异常数据剔除的主元分析方法

提出一种用于间歇生产过程中异常数据控制的方法。这种方法将原始的三维间歇生产数据集合展开成一个二维数据矩阵,进行中心化和规格化后再转化成另一个按照时间序列排列的二维数据矩阵。这种方法可以克服Wold方法在对数据进行中心化时引起的原始信息失真问题。通过对聚合反应釜过程数据进行分析,表明该方法能有效地对生产数据剔除异常。     

基于统计模式分析的多变量连续过程故障检测

针对一些批处理过程中,如同步批轨迹处理和多峰分布等问题,提出了一种基于统计模量(statistics pattern analysis,SPA)分析连续过程的故障诊断方法.FD-SPA和MPCA的显著差别是前者的监测对象是批次变量的统计特征,而后者监控过程变量.MPCA通过分析过程变量的方差—协方差进行故障检测,在SPA中,既要统计过程变量的均值与方差,又要统计过程变量间的协方差结构、偏度、峭度、自相关和互相关性.提出了一种基于滑动窗口的统计模量方法监测非线性的连续过程,使故障检测的准确性与可靠性得到提高.通过在TE过程中与传统的MPCA和KNN方法对比,验证了此方法的有效性.     

六甲基二硅胺烷与六甲基二硅氮烷间歇生产过程监控

针对间歇生产过程具有的多批次、非线性和动态性特点等,基于多向主元分析,提出一种改进的过程监控和质量一致性方案,并在此基础上实现质量控制与生产优化.进一步以某化工厂的六甲基二硅胺烷(hexamethyldisilane,HMDZ)和六甲基二硅氮烷(hexa-methyldisilazane,HMDS)间歇生产过程为例,详...     

多元统计方法在故障诊断中的应用综述

在对常用故障诊断方法进行简单介绍的基础上,着重对多元统计方法在故障诊断领域的应用进行综述。针对常规方法在解决非线性、时变动态、故障隔离和辨识等问题的缺陷,总结了不同学者解决这些问题的最新进展。最后给出了多元统计方法在工业过程故障诊断领域可能的发展方向。     

时段划分的多向主元分析间歇过程监测及故障变量追溯

针对间歇过程的多时段特性,提出一种生产过程操作时段划分方法.该方法利用反映过程特性变化的负载矩阵以及主成份矩阵的变化实现了间歇过程子时段的两步划分.提出了基于加权负载向量夹角余弦的负载矩阵相似性度量以及基于加权奇异值变化的奇异值矩阵相似性度量方法,以更客观的反映负载矩阵以及奇异值矩阵的相似性,进而更准确的判断过程特性的变化.根据同一操作子时段的过程特性,其负载矩阵和奇异值矩阵相似性较大的特点,实现了生产过程的子时段划分.将基于子时段划分的多向主元分析(MPCA)建模应用于三水箱系统的在线监测和故障变量追溯,实验结果验证了该方法的有效性.     

间歇过程动态潜结构阶段划分与在线监控

阶段划分是间歇过程准确建模和有效监控的前提.针对传统阶段划分方法未考虑间歇过程的动态性造成阶段划分不准确、影响监控精度,且具有参数选择难、鲁棒性差的局限,提出一种基于动态潜结构的动态间歇过程阶段划分与在线监控方法.首先,对间歇过程三维张量数据沿变量方向展开,并增加时滞变量构建增广矩阵来提取过程动态关系;然后,以增广矩阵...     

改进的MPCA及其在批过程实时故障监测中的应用

针对多向主元分析（MPCA）模型批过程在线监测的缺陷,提出了一种基于变量展开和主元协方差随时间变化的MPCA方法,该方法按变量展开,不需要对新批次未反应完的数据进行预估,而数据之间的动态联系通过时变主元协方差得以保存,并且不需要建模批次的长度相等;将该力法应用于青霉素补料分批发酵过程的实时监测中．结果表明该方法比传统的MPCA方法具有更可靠的监测性能。     

CUIMWMPCA方法及其在批过程故障监测中的应用*

针对传统的多向主元分析(multiway principal component analysis,MPCA)批过程监测的缺陷,提出了一种连续更新的改进移动窗多向主元分析(consecutively updated improved moving window MPCA,CUIMWMPCA)方法。该方法采用连续更新的多模型非线性结构代替传统的MPCA固定的单模型线性化结构,一旦通过改进的移动窗多向主元分析(improved moving window MPCA,IMWMPCA)判断出某一新批次过程正常,则     

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。     

近邻标准化样本核特征量驱动的间歇过程故障检测

针对间歇过程的多工况和非线性特征,提出一种基于近邻特征标准化(Nearst Neighborhood Feature Standardization,NNFS)样本的核特征量(Kernel Feature Statistics,KFS)故障检测方法。首先,将间歇过程数据按批次方向展开构成二维建模样本,计算每个样本的局部近邻,采用近邻特征实现标准化,提取多工况批次之间的正常偏差,克服Z-score标准化将多工况过程数据看作一个整体而造成的不准确问题。其次,通过核方法将经过标准化后的样本映射到高维空间,在核空间建立监视模型,计算特征量,并提出采用方差分析(variance,VAR)方法确定核参数,通过核密度估计法确定统计控制限。最后,在青霉素发酵过程进行仿真研究,通过比较表明了所提方法的有效性。     

基于变量展开和时变协方差的连续更新的MPCA及其在批过程故障监测中的应用

针对传统的多向主元分析（MPCA）模型批过程监测的缺陷,提出了一种基于变量展开和协方差随时间变化的连续更新的MPCA批过程故障监测方法。该方法将基于批次展开能够去除采样数据的主要非线性动态性的优点与基于变量展开不需要对被监测的新批次的未反应完的数据进行预估的优点结合起来,用于批过程的故障监测,一旦因此判断出某一新批次过程正常,则模型参考数据库就随之更新。在实时监测新的批过程时,只需利用已收集到的数据信息,并且在线连续地更新模型参考数据库,提高了批过程性能监测的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用该方法与传统的MPCA方法对青霉素补料分批发酵过程的实时监测,结果表明该方法比传统的MPCA更适合于对缓慢变化的批过程进行监测,具有更可靠的监测性能。