独立元子空间算法及其在故障检测上的应用

针对高维数据建模问题,提出一种独立元子空间算法(ICSM),作为一种新的集成学习算法,ICSM利用独立元在不同变量上的贡献度来选取子空间,符合了集成学习的要求,具备了明确的物理意义,有效地克服了随机子空间算法(RSM)的主要缺点。在此基础上,进一步将ICSM应用于工业过程监控,提出了一种新的ICSM-PCA故障检测算法。首先在各个子空间内分别建立相应的PCA监测模型,然后根据T~2和SPE统计量的值计算出集成时各自的权重,最后构造两个集成统计量对工业过程进行监测。通过在Tennessee Eastman(TE)模型上的仿真研究,说明提出的算法具有较好的建模效果和故障检测能力。     

一种基于独立元贡献度的子空间故障检测方法

针对工业过程故障检测问题,本文定义了独立元贡献度和贡献度矩阵,提出一种改进的子空间检测算法.首先,利用独立元分析(independent component analysis,ICA)算法提取过程变量的独立元信息,通过计算各个独立元在过程变量上的贡献度,构造贡献度矩阵;然后根据贡献度的大小,挑选出对应的变量组成反映不同"源"信息的子空间,并在这些子空间上建立故障检测模型;最后综合以上的多个检测模型,根据实际的需求或者故障的传播特征,确定集成策略,对工业过程进行故障检测.通过在TE(Tennessee Eastman)过程上对21种故障工况和1种正常工况的仿真研究,说明提出的改进算法是有效的.     

LPMVP算法及其在故障检测中的应用

针对数据信息的特征提取和降维问题, 提出一种局部保持最大方差投影 (Locality preserving maximum varianceprojections, LPMVP) 新算法. 该算法综合考虑了主元分析(Principalcomponent analysis, PCA)和局部保持投影(Locality preservingprojections, LPP)算法的优点和不足, 提出了新的优化目标, 使投影得到的低维空间不仅和原始变量空间有相似的局部近邻结构, 而且有相似的整体结构, 因而可以包含更多的特征信息. 在此基础上, 本文使用LPMVP算法把原始变量空间划分为特征空间和残差空间, 分别构造了T2和SPE统计量对过程进行监测, 建立了一种新的故障检测方法. 通过数值例子以及TE过程的仿真研究, 表明了LPMVP算法可以有效地提取数据信息, 同时也体现了较强的故障检测能力.