基于特征子空间的滑动窗PCA在批过程故障诊断中的应用

基于传统的多向主元分析MPCA(multiway principal component analysis)常会导致误诊断,且对批过程难以保证在线状态监测和故障诊断的实时性,提出了一种基于特征子空间的滑动窗主元分析方法。在实时故障监测与诊断时,该方法采用适当大小的滑动窗逐步更新当前子数据空间,对当前子数据空间故障的识别通过依次计算其与基底库中各故障的匹配度来进行。这种方法克服了传统的MPCA不能处理非线性过程和实时性问题,并避免了MPCA在线应用时预报未来测量值带来的误差, 提高了批过程性能监测和故障诊断的准确性。     

基于BIT技术的PCU故障诊断和性能监测系统

针对卫星电源控制器(PCU)存在故障诊断和性能监测能力有限的问题,对某卫星电源控制器进行了测试性设计,搭建了基于BIT技术的PCU在轨故障诊断和性能监测系统。BIT由3个模拟板和1个核心板组成,模拟板可对数十路模拟信号进行高速采样,核心板运行故障诊断和性能监测算法,并进行数据存储、数据打包、通信等工作,故障诊断和性能监测结果在打包后发送至通信接口。验证实验表明,在不影响PCU正常工作的前提下,系统可对PCU的故障进行准确检测和定位,诊断速度快,同时可对PCU的母线电压纹波等性能进行监测。     

基于MW-KECA与变量贡献SVDD的间歇过程故障检测系统

针对间歇过程的非线性和时变性特点以及故障易误报的问题,提出了一种将移动窗-核熵成分分析(MW-KECA)故障监测与基于变量贡献的支持向量数据描述(SVDD)故障诊断集合而成的故障检测系统.MW-KECA方法构建局部模型能有效处理数据的时变性,同时保留KECA优秀的非线性处理能力.故障诊断中以各变量对CS统计量-向量间角...     

基于Web的设备监测与故障诊断系统的设计与实现

设备的故障诊断技术在现代化的大生产中越来越受到重视,通过基于Web的易于扩展的三层客户/服务器结构(B/S)模式的故障诊断技术的应用研究和具体实现过程,体现了基于Web模式进行设备故障诊断的优点和可行性,提出了一种设备监测与故障诊断的方法.通过组建监测诊断网络系统,可以实现仪器互联,资源共享,降低测试成本,提高测试效率.随着网络技术和数据库技术的发展,基于网络的监测诊断系统是仪器技术发展的必然趋势.     

基于分层分块DLPPCA-SVM的复杂工业过程监测与故障诊断方法

针对工业过程动态性及非线性强等特点,提出一种基于动态局部保持主成分分析法的过程监测方法.该方法通过构造扩展矩阵来解决动态过程中各采样点间相关性强的问题,并将局部保持投影(LPP)与主成分分析法(PCA)相结合从而实现提取流形结构的最大方差信息.在此基础上,针对复杂工业过程变量复杂多变、呈不同特性的特点,提出基于分层分块DLPPCA-SVM(dynamic locality preserving principal component analysis-support vector machine, DLPPCA-SVM)的过程监测及故障诊断方法,该方法针对不同特性的子块分别采用DLPPCA和PCA进行建模,并利用支持向量机进行故障诊断.将该方法用于田纳西-伊斯曼(TE)化工过程和发电机组的在线监测和故障诊断,仿真结果验证了所提出方法的有效性.     

基于故障重构的故障识别

针对基于主元分析(Principal Component Analysis,PCA)的统计过程性能监测法,尽管不依赖于精确的数学模型,然而却限制了其在故障诊断方面的能力问题,在故障重构技术的基础上,研究了基于统计量的故障诊断问题,获得了主元子空间中故障可重构性的理论条件,提出了故障识别指标和诊断算法.通过对双效蒸发过程...     

非线性和非高斯性共存的序批次反应处理过程故障诊断

序批式反应器(SBR)的处理过程的数据具有非高斯分布和高度非线性的特点,传统特征提取方法在进行特征提取时仅仅考虑信息最大化而忽略数据的簇结构信息导致数据特征提取的不完整.由于多向核熵成分分析是一种新的监测方法,在监测过程中的应用表明能够克服传统监测方法的缺陷,减少误报警率.因此本文结合多向核熵成分分析的的优势,提出多向核熵独立成分分析方法用于SBR过程监测及故障诊断.首先,将三维SBR过程数据利用一种新的数据展开技术变为二维数据;其次,利用核熵成分分析将展开后的二维数据映射到高维空间用独立成分分析进行独立成分提取;最后提出一种基于多向核熵独立成分分析的故障诊断方法进行故障诊断.将该方法和传统方法应用于80升的SBR处理过程的监测结果表明,本文提出的方法优于传统的多向独立成分分析方法.     

非线性和非高斯性共存的序批次反应处理过程故障诊断（英文）

序批式反应器(SBR)的处理过程的数据具有非高斯分布和高度非线性的特点,传统特征提取方法在进行特征提取时仅仅考虑信息最大化而忽略数据的簇结构信息导致数据特征提取的不完整.由于多向核熵成分分析是一种新的监测方法,在监测过程中的应用表明能够克服传统监测方法的缺陷,减少误报警率.因此本文结合多向核熵成分分析的的优势,提出多向核熵独立成分分析方法用于SBR过程监测及故障诊断.首先,将三维SBR过程数据利用一种新的数据展开技术变为二维数据;其次,利用核熵成分分析将展开后的二维数据映射到高维空间用独立成分分析进行独立成分提取;最后提出一种基于多向核熵独立成分分析的故障诊断方法进行故障诊断.将该方法和传统方法应用于80升的SBR处理过程的监测结果表明,本文提出的方法优于传统的多向独立成分分析方法.     

基于动态内部主元分析和隐马尔科夫模型的动态过程故障检测与分类方法

随着工业生产过程的扩大, 保证生产过程的安全平稳高效运行日益受到重视. 因此, 对工业过程进行及时有效的监测与故障诊断具有重要意义. 一般而言, 工业过程采集的数据具有较强的动态性, 有效提取数据中的动态信息并进行分析极其重要. 本文基于动态内部主元分析(DiPCA)进行动态性分析并结合隐马尔科夫模型(HMM), 提出了一种新的故障诊断框架, 实现了动态过程故障检测与故障分类. 首先, 利用DiPCA算法提取正常工况下数据的动态特征; 然后, 利用HMM能够有效处理时序数据的特点, 对所提取的动态特征进行建模, 构建了动态过程的故障检测框架; 并利用HMM强大的模式分类能力, 对故障数据进行建模, 实现故障的分类; 最后, 将提出的方法用于田纳西-伊斯曼过程, 验证了该方法的有效性与优越性.     

基于DCS实时信息的智能故障诊断系统

针对某一化工生产过程的故障诊断问题,提出了一个基于DCS实时信息的智能故障诊断专家系统的方案,它涉及到实时信息的采集、数据的处理和传送、状态的监测、事故的预报等方面,以确保工业过程的安全运行.这个系统的实际应用显示,它不仅提高了控制性能,而且也排除了故障,为企业取得可观的经济效益,从而为推动企业的信息化建设提供了保障.     

青霉素生产过程的在线统计监测与产品质量控制

将多向偏最小二乘(MPLS)方法应用于青霉素间歇生产过程的建模与故障诊断中。从青霉素反应过程的特点来看,数据具有多维性,应用传统的偏最小二乘方法会使过程的统计建模与故障诊断难以实现。MPLS可对间歇过程的多维数据沿变量方向进行分割,使得多批量的数据可以在过程的各操作阶段建立相应的PLS模型,从而完成对该反应过程的实时监视与故障诊断。运用T2统计、Q统计方法,结合贡献图对过程进行了仿真分析,从理论分析和仿真实验结果的一致性,证明了该方法在青霉素生产过程的故障检测与诊断方面是可行的。     

基于统计特征的不等长间歇过程故障诊断研究

为了提高不等长间歇过程故障诊断的性能, 同时降低算法的复杂度, 提出了一种基于统计特征的不等长间歇过程故障诊断算法。首先计算每个不等长批次的均值、方差、偏度、峭度和任意两个变量间的欧氏距离, 并将这些统计特征组合成一个等长的特征向量; 然后运用主元分析(PCA)进行过程监视。半导体工业实例的仿真结果表明, 与传统的多向主元分析(MPCA)方法相比, 基于统计特征的不等长间歇过程故障诊断算法的故障诊断率提高15%, 故障检测时间减少了0. 002 s, 因此该算法具有很好的故障诊断性能。     

基于递归稀疏主成分分析的工业过程在线故障监测和诊断

提出一种基于递归稀疏主成分分析(recursive sparse principal component analysis,RSPCA)的工业过程故障监测与诊断方法,可用于时变工业过程的自适应故障监测与诊断.通过引入弹性回归网,将主成分问题转化为Lasso与Ridge结合的凸优化问题,采用秩-1矩阵修正对协方差矩阵进行递归分解,递归更新稀疏载荷矩阵和监测统计量的过程控制限,以实现连续工业过程长时间自适应故障监测,对检测出来的故障通过贡献图法实现对故障的诊断.在田纳西-伊斯曼(TE)过程进行实验验证,结果表明,与传统的故障监测方法相比,所提出的方法有效降低了故障漏检率和误报率,且时间复杂度低,确保了故障监测的灵敏度和实时性.     

Neural network modeling relationship between inputs and state mapping plane obtained by FDA–t-SNE for visual industrial process monitoring

Fault monitoring and diagnosis can significantly help in understanding the actual operation of modern chemical processes. Data visualization can enable technical staff to visually detect and diagnose various fault conditions compared with other conventional techniques. Thus, fisher discriminant analysis (FDA), t-distributed stochastic neighbor embedding (t-SNE), and back-propagation (BP) artificial neural networks are implemented for visual fault monitoring and diagnosis. Three fundamental steps are involved. First, FDA is employed to extract the main features of the dataset, which contain different states of data. Second, t-SNE is applied for data visualization, and on the mapping plane, the various states of the chemical process have their own mapping areas. Third, BP is conducted to model the relationship between inputs and the location of mapping points on the mapping plane. Finally, the trained BP net can be utilized for fault monitoring and diagnosis. Detailed comparative experiments are studied based on the Tennessee Eastman process among FDA, SOM and FDA-SOM to analyze the performance of the combined method. This method is highly competitive for visual fault monitoring and diagnosis than other state-of-art methods.     

基于申威NMII的锁死故障监测与诊断

国产申威处理器的不可屏蔽核间中断(NMII)具有必须由某一核心主动发起的特性,导致目前无法适用Linux通用的锁死故障监测算法,严重情况下将影响关键领域的数据处理。针对该问题设计适用于申威架构的锁死故障监测与诊断系统。采用链式结构发送NMII请求,结合定时器事件和内核线程进行锁死时间戳检查,实现系统内单核心的软锁死与硬锁死监测;基于故障容错机制,采用主从式结构监测所有核心状态,当主核心发生故障时,执行容错措施并迁移主核心,实现系统内多核心故障的锁死监测;设计基于NMII的任务模型,实现锁死故障核心的诊断信息输出并扩展NMII应用场景。测试结果表明,所提算法在低与高故障风险下均可实现锁死故障的准确检出并作出实时诊断,满足申威平台锁死故障监测与诊断的可靠性与实时性要求。     

基于广义主成分分析的重构故障子空间建模方法

在线故障诊断是工业过程中十分重要的问题.相比传统贡献图而言,基于重构的故障诊断受到特别关注.传统的主元分析方法没有考虑故障数据中同时包含正常工况信息和故障信息,因而提取出故障子空间对故障的描述准确性不足.为提高故障子空间的准确性,提出一种基于广义主成分分析的重构故障子空间建模方法.首先,同时考虑正常工况数据和故障数据,分析数据关联,提取出两个数据的广义主成分,利用投影关系建立故障子空间模型;然后,构建主成分分析故障监测模型,通过监测重构数据筛选广义主成分和故障方向数量,得到正常运行和故障子空间最优组合.该方法充分利用正常工况和故障工况的数据,所提取的故障子空间能够更加充分地反映故障信息,对后续提高故障诊断的准确性具有重要的作用.最后,通过Matlab数值仿真和TE工业过程验证所提出方法的有效性.     

A process monitoring system based on the Kohonen self-organizing maps

Process monitoring and fault diagnosis have been studied widely in recent years, and the number of industrial applications with encouraging results has grown rapidly. In the case of complex processes a computer-aided monitoring enhances operators possibilities to run the process economically. In this paper, a fault diagnosis system will be described and some application results from the Outokumpu Harjavalta smelter will be discussed. The system monitors process states using neural networks (Kohonen self-organizing maps, SOMs) in conjunction with heuristic rules, which are also used to detect equipment malfunctions.     

电能计量互感器二次回路故障远程诊断方法

为保障电量计量设备平稳运行,提高二次回路故障诊断准确率,提出了电能计量互感器二次回路故障远程诊断方法,提高不同原因导致的二次回路故障诊断效果。在电能计量二次侧的电压、电流二次回路上布置各检测点,通过远程诊断设备的PT监测单元、CT监测单元、多路模拟采集器采集各检测点的电参量数据,传输至远程诊断设备的故障诊断单元,故障诊断单元综合处理接收的各数据信息,利用基于改进粒子群优化的BP神经网络故障诊断模型诊断互感器二次回路故障,并输出故障诊断结果。实验结果表明：该方法经80次迭代后,适应度曲线达到最佳收敛效果,获得最小MSE值,可有效识别电流信号的波形变化,实现不同原因导致的互感器二次回路故障的远程诊断,且故障诊断准确度高。     

一种基于非线性主成分回归的过程监测及故障诊断方法

近年来，统计过程监测方法在多变量过程监测领域得到广泛应用，但对于存在显著 非线性的过程，这类方法的性能往往不尽人意，而神经网络在处理非线性问题上具有卓越的 优势．本文将多变量投影方法和径向基神经网络良好的逼近能力结合起来，提出了一种基于 嵌入径向基网络的非线性主成分回归算法的过程监测及故障诊断方法．在三水箱实验装置上 进行的实验结果说明该方法确实能够有效地实现过程监测、快速地检测并诊断出故障状态．