数据驱动PCA、ICA和KICA故障检测仿真比较

针对同一非线性过程数据,分别应用多元统计过程监控技术中的主元分析（Principal Component Analysis,PCA）、独立元分析（Independent Component Analysis,ICA）和核独立元分析（Kernel Independent Component Analysis,KICA）三种方法进行了故障检测建模,并进行了仿真比较研究。通过田纳西-伊斯曼过程（Tennessee Eastman Process,TE）仿真结果表明：在处理实际工业生产中非线性、非高斯的数据方面,KICA方法具有更强的故障监测能力。     

基于多向主元分析的多传感器故障诊断

研究一种基于MPCA的多传感器故障诊断方法．这种方法把过程测量空间分为主元子空间和残差子空间．在残差子空间，首先用Q统计指标检测出传感器是否存在故障，如果Q统计指标超限，在主元子空间应用T^2统计量和相应的T^2统计量的贡献率，识别出引起过程异常的主要传感器变量并剔除．然后用同样的方法继续判断其它的传感器故障．仿真实例验证了该方法的有效性．     

动态批次主元分析在化工过程中的应用研究

本文研究了批次动态主元分析(BDPCA)及其在化工过程中的应用.批次动态主元分析是主元分析的一种延伸,通过把三维矩阵转化成二维矩阵,结合时滞变量算法捕捉批次过程中的动态特性完成过程的监视并给出了确定时滞变量的算法.以TE过程为例,与多向主元分析法相比,仿真结果表明,BDPCA算法实现了考虑过程中的批次动态特性并提高了对过程变化的故障检测能力.     

基于KPCA-MLR的烟气轮机非线性故障预测

针对烟气轮机振动信号的非线性、非平稳特性,提出了一种核函数主元分析(KPCA,Kernel Principal Component Analysis)和多层递阶(MLR,Multi-Level Recursive)预测模型相结合的烟气轮机非线性故障预测方法。首先,采用非线性数据模型KPCA对烟气轮机运行状态进行故障检测;然后,采用非线性预测模型MLR分别对故障检测指标T2和SPE统计值进行趋势预测。仿真结果表明,KPCA完全适合于烟气轮机的故障检测,具有处理非线性、非平稳数据的能力,并且MLR模型预测精度较高。     

基于KPCA的结构振动信号特征提取研究

本文提出基于核主元分析（Kernel Principal Component Analysis,KPCA）的结构振动信号特征提取方法。通过对原始信号进行KPCA分析得到非线性主元,根据非线性主元的累计贡献率确定非线性主元个数,然后根据结构信号在不同损伤状态下的KPCA特征构造结构特征指标,由此判断结构相对于基准状态是否发生了损伤。试验结果表明,该方法在基准状态为无损状态和小损伤状态下都能很好的判断结构是否发生损伤,用于结构损伤识别特征提取是有效的。     

基于KPCA数据重构的参数优化方法

传统的多变量统计过程监控技术采用的故障模型是线性的,该模型在具有强非线性特征的工业过程的故障诊断及预测方面的效果不够理想。针对复杂系统,需采用非线性数据模型的故障描述,研究基于核主元分析(Kernel Principal Component Analysis,KPCA),KPCA数据重构的最优参数选择方法十分必要。采用网格搜索法和交叉验证法相结合的方法确定KPCA算法和支持向量机(Support VectorMahine,SVM),SVM回归算法的最优参数,使重构误差为最小。以TE过程为仿真实例,仿真结果表明:所提出的基于KPCA数据重构的最优参数选择方法是有效的。     

基于MPCA-GMM的斜拉桥健康监测

针对斜拉桥损伤识别问题,提出一种基于移动主成分分析(Moving Principal Component Analysis, MPCA)和高斯混合模型(Gaussian Mixture Model, GMM)相结合的方法对桥梁健康状况进行监测。以相邻测点的温度效应为基础,利用MPCA将数据进行压缩;通过GMM对压缩后的数据进行聚类分析,以参考状态平均隶属度差值95%保证率建立损伤阈值,对待测桥梁结构的健康状况进行评估。数值算例和实时监测数据分析表明该方法能有效识别结构损伤状态,并且具有良好的抗噪性。     

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析（PCA）方法的过程监测算法假定过程是线性的，对于具有强非线性的生产过程，应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析（MKPCA）算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化，采用MKPCA算法建立过程模型并用于过程的在线监测，计算T2、SPE统计量及相应的控制限.仿真结果表明，与传统PCA算法相比，MKPCA算法具有更好的监测性能，不仅大大降低了正常运行过程的误报率，而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性，获取过程变量间的非线性关系.     

基于改进PCA和EEMD的桥梁挠度监测中温度效应分离

单通道桥梁挠度信号通过总体经验模态分解法(Ensemble Empirical Mode Decomposition,EEMD)分解得到的一系列线性平稳的本征模函数(intrinsic mode function,IMF),然后与原信号进行相关性分析,去除IMF分量中的弱相关成分,达到首次降维的效果。利用主成分分析(Principal Component Analysis,PCA)进一步提取信号中的主元,最后所得信号通过快速独立分量分析(Fast Independent Component Analysis,FastICA)处理,实现桥梁挠度信号中温度效应的准确分离。仿真及实验结果表明:该方法能较好地解决桥梁监测中温度效应分离的问题。     

基于MPCA与DTW的间歇反应过程的性能监视及故障诊断

研究了基于多方向主元分析(MPCA)理论和动态时间错位(DTW)理论对间歇反应过程进行性能监视及故障诊断的方法．多元统计分析理论是根据反应过程的历史批量数据，建立过程的统计数据库、统计数学模型；在此基础上确定过程的统计监控指标，并向各自的统计模型投影，判断其与模型的拟合程度来诊断是否有故障发生．由于间歇反应的各批次物理条件的不同、约束条件的不同，导致批次与批次之间的数据轨迹不同步．动态时间错位(DTW)理论通过搜寻两轨迹的相似特征，适时地对轨迹进行压缩和扩张，从而使其达到一致的程度．这为基于MPCA理论进行故障诊断提供了合理、可靠的数据依据．比较轨迹进行同步化处理前、后的故障诊断结果完全不同。因此，DTW理论的应用在基于MPCA理论进行性能监视及故障诊断中具有重要意义