基于独立元的k近邻故障检测策略

k近邻故障检测(fault detection based on k nearest neighbors,FD–k NN)方法能够提高具有非线性和多模态特征过程的故障检测率.由于系统故障通常由潜隐变量异常变化引起,而该类型故障并不能被观测数据直观表现,因此直接在观测变量上执行FD–k NN方法,其故障检测率降低.本文旨在提高FD–k NN方法针对潜隐变量故障的检测能力,提出基于独立元的k近邻故障检测方法.首先,通过对观测数据应用独立元分析(independent component analysis,ICA)方法,获得独立元矩阵;接下来在独立元矩阵中应用FD–k NN方法进行故障检测.这等同于直接监控过程潜隐变量的变化,可以提高过程故障检测率.通过非线性实例仿真实验,证明本文方法检测潜隐变量故障是有效的;同时,在半导体蚀刻工艺过程的仿真实验中,与主元分析(principal component analysis,PCA)方法、核主元分析(kernel principal component analysis,KPCA)方法、基于主元分析的k近邻故障检测(principal component–based k nearest neighbor rule for fault detection,PC–k NN)方法和FD–k NN方法进行对比,实验结果进一步验证了本文方法的有效性.     

基于\begin{document}$ \pmb k $\end{document}近邻主元得分差分的故障检测策略

针对具有非线性和多模态特征过程的故障检测问题, 本文提出一种基于k近邻主元得分差分的故障检测策略.首先, 通过主元分析(Principal component analysis, PCA)方法计算样本的真实得分.然后, 应用样本的k近邻均值计算样本估计得分.接下来, 通过上述两种得分计算样本的得分差分矩阵和残差矩阵, 其中残差矩阵由样本的估计得分计算得到,这区别于传统方法.最后, 在差分子空间和残差子空间中分别建立新的统计指标进行故障检测.值得注意的是本文的得分差分方法能够消除数据结构对过程故障检测的影响, 同时, 新的统计量能够提高过程的故障检测率.将本文方法在两个模拟例子和Tennessee Eastman (TE)过程中进行测试, 并与传统方法如PCA、KPCA、DPCA和~FD-kNN等进行对比分析, 测试结果证明了本文方法的有效性.     

基于偏最小二乘得分重构的质量相关故障检测

偏最小二乘(PLS)作为一种典型的多元统计分析方法被广泛用于多变量统计过程监测, 通常要求数据满足 高斯–马尔科夫定理. 当数据存在多模态或过程变量非线性相关时, 基于PLS方法的故障检测性能将受到影响. 为 此, 本文提出一种基于PLS得分重构的故障检测方法(SR–PLS). 首先, 利用PLS将输入空间分解为质量相关空间与 质量无关空间; 其次, 利用类k邻近规则(kNN)对当前得分向量进行重构, 得到重构得分向量; 最后利用重构得分构 造统计量, 由核密度估计(KDE)得到控制限, 进行故障检测. 本方法降低了变量间的非线性与数据多模态对过程故 障检测的影响, 提高了故障检测率. 将所提方法应用于两个数值仿真例子与田纳西伊士曼过程(TEP), 并与PLS, KPLS, LNS–PLS进行对比分析, 证明该算法的优越性与有效性.     

基于局部保持投影–加权k近邻规则的 多模态间歇过程故障检测策略

针对多模态间歇过程故障检测问题,本文提出一种基于局部保持投影–加权k近邻规则(LPP--Wk NN)的故障检测策略.首先,应用局部保持投影(LPP)方法将原始数据投影到低维主元子空间;接下来,在主元子空间中,应用样本第k近邻的局部近邻集确定每个样本的权重并计算权重统计量Dw;最后,应用核密度估计方法确定Dw控制限并进行故障检测.本文方法应用LPP对过程数据进行维数约减,既能够降低训练过程中离群点对模型的影响,又能够降低在线故障检测的计算复杂度.同时,加权k近邻规则(Wk NN)方法通过引入权重规则能够使得过程故障检测统计量分布具有单模态结构.相比传统的k NN统计量,本文引入的权重统计量具有更高的故障检测性能.通过数值例子和半导体蚀刻过程的仿真实验,并与主元分析(PCA), k NN, Wk NN, LPP--k NN等方法进行比较,实验结果验证了本文方法的有效性.     

基于k近邻变量贡献与重构理论的工业过程故障诊断

针对工业过程中发生故障时异常变量的精确识别以及如何准确建立"故障–征兆"表的问题,本文提出了一种基于k近邻(k–NN)变量贡献分析和数据重构的异常变量精确识别方法.首先,将k–NN算法中各个采样时刻的统计距离指标细化,分解为每个变量的贡献并对其进行详细分析,分别从单变量和多变量异常角度进行方法的可行性验证,确定过程故障时异常变量具有较大的贡献值;其次,建立正常数据中每个变量的贡献模型用于对故障样本中的异常变量进行"一次"识别;随后提出基于k–NN理论的数据重构算法,并从重构原理方面进行分析,验证该方法具有一定的有效性.对于故障样本,根据变量贡献分析方法求取每个变量对距离指标的贡献,"一次"识别出故障发生时所对应的异常变量或征兆;进而通过数据重构理论对故障样本中异常变量值进行重构、检测和"二次"识别,直至辨识出过程中发生异常的所有变量,并得到故障与变量之间的关系,即"故障–征兆"表.     

基于标准距离k近邻的多模态过程故障检测策略

工业产品的生产经常需要在不同模态间切换,多模态过程数据具有多中心和方差差异大等特点.针对多模态过程数据的特征,通过构造标准距离,提出了基于标准距离k近邻的故障检测策略(SD–kNN).首先在标准距离度量下计算样本与其前k近邻的距离;其次将近邻距离的平方和的均值作为样本的统计量D~2;最后,根据D~2的分布确定检测方法的控制限,当新样本的D~2大于控制限时,判定其为故障,否则为正常.标准距离使不同模态中样本间的近邻距离能够在同一尺度下度量,使得SD–kNN的D~2能够准确反映样本间的相似程度.进行了数值模拟过程和青霉素发酵过程故障检测实验. SD–kNN方法检测出了数值模拟过程的全部故障和青霉素过程95%以上的故障,相对于PCA, kPCA, FD–kNN等方法具有更高的故障检测率. SD–kNN继承了FD–kNN对一般多模态过程的故障检测能力,还能够对方差差异显著的多模态过程进行故障检测.     

基于局部熵双子空间的多模态过程故障检测

为了提高非高斯工业过程的检测性能, 提出局部熵双子空间(LEDS)的多模态过程故障检测方法. 运用局部 概率密度估计构建数据的局部熵矩阵, 消除数据的多模态特性. 用Kolmogorov-Smirnov (KS)检验局部熵数据中变 量的正态分布特性, 对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和ICA的非高斯子空间故障 检测模型. 利用Bayesian决策将检测结果转化成发生故障概率的形式, 将检测结果组合成最终的统计信息, 进行故 障检测. 将该方法应用于数值例子和田纳西–伊斯曼多模态过程, 仿真结果表明, 该方法在误报率较低的情况下, 故 障检测率最高, 优于PCA、局部熵PCA(LEPCA)和局部熵ICA(LEICA)方法.     

基于改进核主元和支持向量数据描述故障检测

提出基于改进核主元和支持向量数据描述(SVDD)故障检测方法,适合于复杂工业过程具有非线性和非高斯性的情况.首先,通过对核主元(KPCA)特征空间样本进行重构误差,在样本集上自动识别异常值,减少对KPCA算法的影响并增强非线性核映射.然后,利用支持向量数据描述算法处理数据非高斯信号,据此构建统计量对工业过程进行检测.最后,将所提出的改进核主元和支持向量数据描述方法应用于田纳西-伊斯曼(TE,Tennessee Eastman)过程的仿真实验,结果说明提出方法的有效性.     

邻域保持嵌入—加权k近邻故障检测算法及其在半导体蚀刻过程中的应用

为了解决复杂的多模态过程故障检测问题,提出了邻域保持嵌入-加权k近邻规则（neighborhood preserving embedding-weighted k-nearest neighbors,NPE-wkNN）质量监控方法.首先,利用邻域保持嵌入（neighborhood preserving embedding,NPE）得到特征空间中数据的流形结构;然后,在特征空间中确定每个样本第k近邻的前K近邻集并计算样本的权重.最后,将样本的加权距离作为统计量对过程进行质量监控.NPE-wkNN方法在保持原始数据近邻结构的同时降低了计算复杂度,除此之外,权重规则消除了数据的多模态特征,从而提高了过程故障检测率.通过数值实例和半导体蚀刻工艺仿真实验,对比了传统的主元分析（principal component analysis,PCA）、NPE、k近邻（k-nearest neighbor,kNN）、加权k近邻（weighted kNN,wkNN）等方法,结果验证了本文方法的有效性.     

基于差分分段PCA的多模态过程故障监测

多模态的故障监测是一个复杂的问题, 既需要考虑稳定模态下的故障监测, 也需要考虑不同模态间的过渡故障监测. 不同稳定模态下的数据具有不同的相关关系, 对每个稳定模态需要建立不同的稳定模态模型. 当稳定生产模态发生改变时, 生产过程进入过渡模态, 需要考虑过渡变量相关关系的变化. 本文通过对过渡数据差分, 得到变量相对变化信息. 利用主成分分析(Principal component analysis, PCA)分段对差分变量的相关特性进行分析, 提取相对变化的特征. 最后以实际连续退火机组生产线为背景, 用基于差分分段PCA的多模态方法对多模态过程进行故障监测, 发现算法很好地反映了实际过渡过程机理, 验证了算法的有效性.     

Subspace decomposition approach of fault deviations and its application to fault reconstruction

In the present work, a new subspace decomposition approach of fault deviations is developed in the context of principal component analysis (PCA) based monitoring system for fault diagnosis via reconstruction. The fault effects are decomposed in different monitoring subspaces, principal subspace (PCS) and residual subspace (RS), and the significant fault deviations that are responsible for the concerned alarming monitoring statistic are calculated. This is achieved by designing a two-step feature decomposition procedure in each monitoring subspace. In the first step, the relative fault deviations are sorted by comparing the fault variations with the normal variations. All possible fault deviations that may contribute to the out-of-control monitoring statistics are collected. In the second step, PCA is performed on the chosen fault information where the largest fault deviation directions are decomposed in order. By the two-step decomposition, in each monitoring subspace, two different parts are separated for the purpose of fault reconstruction. One is composed of the concerned fault deviations that contribute to alarming monitoring statistics which are thus significant to remove the out-of-control signals. The other is composed of general variations that are deemed to follow normal rules and thus insignificant to remove alarming monitoring statistics. Theoretical support is framed and the related statistical characteristics are analyzed. Its feasibility and performance are illustrated with data from the three-tank system and the Tennessee Eastman (TE) benchmark process.     

A distribution-free method for process monitoring

Traditional multivariate statistical process control methods such as principal component analysis are limited to Gaussian process data when they used for process monitoring. However, the deficiency is not due to the method itself, but lies in the monitoring statistic construction and its confidence limit determination. This paper proposed a distribution-free method, which employs the one-class SVM to construct new monitoring statistics. Thus two new statistics are developed separately in two subspaces of the PCA model: the principal component subspace and the residual subspace. When some fault has been detected, a novel fault reconstruction scheme is proposed. For fault identification, two new identification indices are constructed. The performance of the proposed method in fault detection, reconstruction and identification is evaluated through a case study of the Tennessee Eastman (TE) benchmark process.     

基于方差最大化旋转变换的k近邻故障诊断策略

为了提高FD-kNN针对潜隐变量在非线性和多模态过程中的故障检测能力,提出一种基于方差最大化旋转变换的k近邻故障检测与诊断策略。首先,通过方差最大化方法建立旋转变换将原始数据变换到新的正交空间;接下来在该正交空间中执行FD-kNN方法进行故障检测;最后,结合贡献图方法给出基于贡献图的故障诊断策略。通过一个非线性模拟实例,证明方法对潜隐变量故障诊断是有效的;同时,在典型非线性工业过程田纳西过程进行测试,与PCA、FD-kNN和PC-kNN等方法进行对比,实验结果进一步证明了方法的有效性。     

基于DKNPE方法的故障检测

针对传统方法对非线性或多模态间歇过程的故障检测率低的问题,提出一种基于K近邻邻域保持嵌入得分差分（difference of K nearest neighbors score associated with neighborhood preserving embedding,DKNPE）的健康状态监视方法。首先,通过NPE方法计算训练数据集的得分矩阵,称其为样本的本质得分。然后,在训练数据集计算每个样本的K近邻均值,并将其投影到低维空间以获得样本的估计得分。接下来,在差分子空间（diffe-rence subspaces,DS）和差分残差子空间（difference residual subspaces,DRS）中分别建立两个新的统计量对样本进行过程监控。将本方法在两个模拟数值例子和半导体蚀刻过程中进行测试,并与PCA、FD-KNN和NPE等传统方法进行对比分析, 测试结果验证了该方法的有效性。     

动态局部邻域主多项式分析故障检测研究

针对复杂工业过程中存在的动态性、多模态及非线性等特征,提出一种动态局部邻域主多项式分析(DNSPPA)的故障检测算法.首先,设置一定长度的时间窗来描述样本点之间的时序相关关系;其次,寻找时间窗内样本在空间方向上的局部近邻集,利用近邻集对数据样本进行标准化处理;最后,在标准化处理后的数据上建立PPA模型,计算统计量并确立...     

基于主元子空间故障重构技术的故障诊断研究

针对基于主元分析(PCA)的统计性能监控法,由于不用过程机理模型的信息,因此,对故障诊断问题有难以在理论上作系统分析的缺陷,于是提出了一种基于主元子空间故障重构技术的故障诊断方法。利用故障子空间的概念,在故障重构技术的基础上,研究基于T~2统计量的故障诊断问题,提出故障识别指标和诊断算法。通过对双效蒸发过程的仿真监测,验证该诊断方法的有效性。