基于动态核PCA的复杂废水处理过程在线故障检测

为了克服废水处理过程具有较强的非线性及动态特性,研究了基于主成分分析(principal component analysis,PCA)的在线故障检测.首先在PCA的基础上引入核函数,构造核主成分分析(kernel principal component analysis,KPCA)来优化模型结构,再通过嵌入动态模型来构造动态核主成分分析方法(DKPCA),最后对废水处理过程进行在线故障检测.基于某造纸厂废水数据,构建了偏移故障、漂移故障及精度下降故障,并进行仿真.研究结果表明,在偏移故障条件下,相较于PCA和KPCA方法,DKPCA的平方预测误差故障检测率分别提升了96.96％和87.87％,且在漂移故障条件下检测的灵敏度也有明显提升,验证了在废水时变性过程中DKPCA方法在线故障检测的有效性.     

基于局部近邻标准化和主多项式算法的故障检测

针对工业过程的非线性和多模态特征,提出了一种基于局部近邻标准化(local neighborhood standard ization,LNS)和主多项式分析(principal polynomial analysis,PPA)结合的故障检测算法。首先,将样本数据通过局部近邻标准化(local neighbor standardization,LNS)算法,对每个样本构建k近邻数据集;然后应用k近邻数据集的均值和方差对当前样本进行标准化处理;最后使用PPA对已经标准化处理后的样本建模,计算出T2和SPE统计量,并确定控制限进行故障检测。LNS算法能够去除数据中的多模态特征,而PPA算法能够有效的处理非线性数据,因此LNS-PPA方法能够提高具有多模态非线性特征的工业过程故障检测能力。将该方法应用于多模态非线性数值例子和田纳西伊斯曼(TE)化工过程,并将测试结果与主元分析法(principal component analysis,PCA)、主多项式分析法进行对比,其结果能够有效验证LNS-PPA的优越性。     

基于独立分量相异性分析的动态过程监控研究

针对动态独立分量分析(dynamic independent component analysis, DICA)在过程中捕获的独立分量存在自相关性和故障漏报的问题，提出基于独立分量相异性分析(DICA dissimilarity analysis, DICA-DISSIM)的动态过程监控方法。首先，利用DICA从原始数据中捕获独立分量；其次，在独立分量子空间中引入滑动窗口并进行相异性分析得到一个新的统计指标来监控过程的当前状态；最后，利用变量贡献图方法分析过程异常原因。与传统的DICA相比，所提方法能够有效地降低DICA捕获的独立分量的自相关性，降低了过程动态特征对故障检测的影响，最后解决了DICA统计量中存在的故障漏报问题。通过对动态数值例子和田纳西-伊斯曼过程进行仿真，仿真结果表明，与独立分量分析(independent component analysis, ICA)、DICA和动态主成分分析(dynamic principal component analysis, DPCA)相比，该方法有效地提高了动态过程监控性能。     

基于小波变换和2DPCA的人脸识别

主成分分析(principal component analysis:PCA)已成功用于人脸识别,但基于主成分分析的人脸识别方法需要将图像数据向量化,而向量化后的图像样本维数非常大,计算代价非常高.二维主成分分析(2 di mension principal component analysis:2DPCA)直接处理图像数据,不需要向量化的过程,2DPCA降低了计算复杂度,但是2DPCA与PCA相比,需要存储更多的系数,即要占用更多的存储空间.本文提出了一种基于小波变换和2DPCA的人脸识别方法,可以克服上述缺点,实验结果证明了该方法的有效性.     

基于WDNS-SWNPE算法的间歇过程故障检测

针对间歇过程数据的多模态与动态特性共存带来的故障检测问题,提出一种基于加权双近邻标准化(WDNS)的稀疏加权邻域保持嵌入(SWNPE)算法.首先,在寻找样本双层近邻的基础上加权得到加权双近邻集,用加权双近邻集信息标准化样本,将多模态数据处理为单一模态分布,消除多模态中心点差异,解决多模态特性;然后,考虑到NPE算法不能...     

动态核概率主元分析模型及其应用

核概率主元分析(kernel probabilistic principal component analysis,KPPCA)能够有效去除过程的非线性.但是KPPCA仅构造了生产过程的静态线性关系,处理具有较强动态特性的实际工业生产过程效果较差.为克服上述缺点,提出一种基于动态KPPCA的过程监测方法,利用核函数将经过压缩的动态增广数据映射到高维空间,然后利用PPCA对满足线性关系的过程变量映射值进行监测.仿真结果表明:该方法监测指标对故障的灵敏度高,误报率和漏检率较小,故障状况与正常状况很明显的分离开来.     

基于海林格距离加权关键主元的流程工业故障检测研究

在采用主成分分析（principal component analysis,PCA）算法进行故障检测时,主元的选取及处理直接影响其故障检测的表现。对此,提出一种基于全变量表达（full variable expression,FVE）和海林格距离（Hellinger distance,HD）的故障检测方法。首先,利用FVE得到所有关键主元,即保留所有变量信息;然后考虑到与故障相关主元的重要性,定义基于海林格距离的变化率,用来衡量正常工况下主元与异常工况下主元的差异;对与故障发生更相关的主元进行加权,以突出与故障相关主元对于后续故障检测的影响;最后,考虑到降维后数据通常服从非高斯分布,利用改进的局部离群因子（local outlier factor,LOF）构建统计量,其相应控制限通过核密度估计（kernel density estimation,KDE）确定。数值实例及带钢热连轧实际生产数据验证了所提方法的有效性与优越性。     

基于移动窗FICA和SOM方法的心动异常诊断

该文针对在线独立成分分析算法学习速率以及收敛性难以把握的问题,提出了一种利用变窗体移动窗附加在实时信号上的快速独立成分分析(Fast independent component analysis,FICA)改进算法,不但满足在线处理要求,而且不用考虑学习速率的问题,节省存储空间并提高运算效率。利用自组织映射(Self-organizing maps,SOM)神经网络算法在动态分类上的优势,采用变移动窗快速独立成分分析与自组织映射相结合的方法对心动异常数据进行了分类。实验表明,该方法能有效地提高速率和实现实时故障分类。     

改进的蜂窝网室内定位匹配算法

针对无线信道的动态衰落特性,基于蜂窝网的室内定位存在较大误差,提出一种改进的蜂窝网室内定位匹配算法——基于主成分分析法(principal component analysis,PCA)的子空间匹配算法,不仅保证系统实时性,而且有效地剔除大误差点,提高定位精度.该算法利用无线蜂窝信号非视距传播造成的位置特性构建离线指纹数据库,根据在线接收信号从离线指纹库中提取子指纹库,利用PCA算法对在线实测数据及子指纹库进行有效地降维,构建子空间,并结合加权K近邻匹配算法(weighted K nearest neighborhood,WKNN)估计出多个位置坐标,利用3σ准则对这些位置做筛选,输出最终定位结果.实验结果表明,基于PCA的子空间匹配算法在保证定位实时性的前提下,能有效剔除大误差点,提高整体定位性能.     

核主成分分析网络的人脸识别方法

主成分分析网络(principal component analysis network,PCANet)是当前流行深度学习模型,在人脸识别、目标识别、纹理分类和手写体数字识别等方面有广泛应用。在PCANet方法基础上,该文提出基于核主成分分析网络(kernel principal component analysis network,KPCANet)的人脸识别方法。算法由四部分组成:主成分分析(PCA)、核主成分分析(KPCA)、二值化哈希、分块直方图。在Extended Yale B和AR两个经典人脸库上的实验结果表明,所提方法在识别性能上优于PCANet方法 ,算法对于不同光照、表情变化下的人脸有更好的识别率和鲁棒性。     

基于核状态空间ICA的非线性动态过程故障检测方法

针对工业过程的非线性和动态特性,提出一种基于核状态空间独立元分析的故障检测方法.采用核规范变量分析法将非线性动态过程数据映射到核状态空间,得到去相关的状态数据.对状态数据的各时延协方差矩阵进行加权求和得到状态数据的时序结构矩阵,进而建立ICA统计模型,从状态数据中提取独立元特征数据,并构造监控统计量检测过程故障.在Tennessee Eastman过程上的故障检测结果表明,相比于传统的基于动态核主元分析的故障检测方法,该方法更加灵敏地检测到故障的发生,提高故障检测率.     

空间数据库反向最近邻聚类方法

针对当前空间数据库聚类方法未考虑降维后的距离特征反向结果, 导致空间数据分量失真, 存在聚类精度低、 耗时长的问题, 提出一种空间数据库反向最近邻聚类方法. 首先, 通过选取训练样本集实现核矩阵的特征分解, 获得其距离特征修正值去除初始值的影响; 然后, 根据核主成分分析（KPCA）降维并结合降维后的距离特征反向结果, 利用反向最近邻聚类方法与扩展的部分失真搜索法相结合, 实现空间数据的聚类; 最后利用选定的聚类中心对数据集进行计算, 计算数据集第一维分量与聚类中心第一维分量之间的失真, 得到反向最近邻, 直至所有空间数据均找到所属类别, 最终完成空间数据库反向最近邻聚类. 实验结果表明, 该方法提高了空间数据的聚类精度, 减少了空间数据聚类所用时间.     

基于CHMM的TE过程在线故障检测

随着工业过程的规模和复杂程度的增加,对于过程安全性和可靠性的要求进一步提高.为了准确及时地检测设备故障,提出了一种基于连续隐马尔可夫模型(CHMM)的在线故障检测方法.采用主元分析(PCA)方法对过程变量数据进行特征提取,利用变长度滑动窗口技术跟踪动态数据,并提出了一个新的实时统计量作为在线故障检测的量化指标,结合实时阈值实现了CHMM的在线故障检测.将该方法应用于田纳西-伊斯曼(TE)化工过程,并与基于PCA和动态主元分析(DPCA)方法的故障检测结果进行比较,能够较准确地检测到故障,验证了该方法的有效性.     

基于动态MDONPE算法的间歇过程故障检测

针对间歇过程数据存在的非线性和动态特性导致故障检测效果不佳的问题,提出一种基于滑动窗(sliding window,SW)的多向差分正交邻域保持嵌入(multiway differential orthogonal neighborhood preserving embedded,MDONPE)算法.首先对间歇过程数据...     

基于动态结构保持主元分析的故障检测方法

为充分利用表征过程运行工况的数据特征信息,提高化工过程的故障检测性能,提出一种基于动态结构保持主元分析(DSPPCA)的过程故障检测方法。首先对原始数据采用变量相关性分析建立自回归模型,构建包含动态特征的数据集,进一步综合考虑主元分析法(PCA)和局部线性嵌入(LLE)流形学习算法中数据点之间的近邻关系,融合得出新的目标函数,同时,运用局部线性回归的方法获得高维样本的嵌入映射,特征提取后在特征空间和残差空间分别构造监控统计量进行故障检测。Swiss-roll数据集的降维结果及TE过程的仿真研究结果表明,DSPPCA算法可以取得较好的特征提取效果,具有较高的故障检测性能。     

基于自适应动态时间规整(DTW)的GA-FCM多阶段间歇过程故障诊断

多时段是间歇过程的固有特征,对间歇过程划分阶段可以提高故障诊断的精度。采用模糊C-均值聚类（FCM）算法划分阶段存在对初始聚类中心敏感、易于陷入局部极优值的问题。提出遗传算法与FCM算法相结合的方法（GA-FCM）,用于克服FCM易于陷入局部极优值的问题,以达到全局最优。同时,针对间歇过程数据不等长问题,提出自适应动态时间规整（DTW）算法。随后,用GA-FCM方法完成阶段划分,再建立多向核主元分析（MKPCA）模型完成故障检测。最后将此算法应用于青霉素发酵过程,仿真结果验证了所提方法的可行性和有效性。     

基于IMDS-DLNS方法的工业过程故障检测

针对多维尺度变换(multidimensional scaling,MDS)方法对高维数据进行维数约简时,新样本缺少映射矩阵无法进行低维嵌入的问题,提出了增量式多维尺度变换(incremental multidimensional scaling,IMDS)方法。首先,引入双重局部近邻标准化(dual local nearest neighbor standardization,DLNS）技术以解决IMDS方法降维后数据仍然具有多中心、方差差异明显等问题;其次,采用Hotelling T²统计量对过程进行监控,组成增量式多维尺度变换和双重局部近邻标准化的故障检测方法(IMDS-DLNS);最后,通过数值模拟过程和青霉素发酵过程,将IMDS-DLNS方法分别与PCA,KPCA和FD-KNN等方法作对比分析。结果表明,IMDS-DLNS对比其他方法有更高的故障检测率。IMDS-DLNS方法对多变量、多模态过程具有良好的故障检测能力,能够保障产品质量和生产的安全性,可为工业过程故障检测研究提供参考。     

Effect of Two Kinds of Similarity Factors on Principal Component Analysis Fault Detection in Air Conditioning Systems

Screening similar historical fault-free candidate data would greatly affect the effectiveness of fault detection results based on principal component analysis(PCA). In order to find out the candidate data, this study compares unweighted and weighted similarity factors(SFs), which measure the similarity of the principal component subspace corresponding to the first k main components of two datasets. The fault detection employs the principal component subspace corresponding to the current measured data and the historical fault-free data. From the historical fault-free database, the load parameters are employed to locate the candidate data similar to the current operating data. Fault detection method for air conditioning systems is based on principal component. The results show that the weighted principal component SF can improve the effects of the fault-free detection and the fault detection. Compared with the unweighted SF, the average fault-free detection rate of the weighted SF is 17.33% higher than that of the unweighted, and the average fault detection rate is 7.51% higher than unweighted.