基于MSPCA的FPSO典型生产流程故障诊断系统的设计与实现

针对传统主元分析单尺度建模的局限性,以小波分析和主元分析理论为基础,应用多尺度主元分析方法(MSPCA)对浮式油轮生产储油卸油系统(FPSO)进行故障检测与诊断系统的设计与实现。以MSPCA为故障诊断算法,以Microsoft Visual Basic和Matlab为开发平台,以FOXBORO I/A、AIM*OPC Server为数据传输平台,采用FPSO仿真系统作为数据环境,建立了基于MSPCA的FPSO典型生产流程的故障诊断系统,实现油气水分离过程的故障检测与诊断。结果表明:基于MSPCA的FPSO故障诊断系统结构设计合理,在油气水分离系统的故障检测与诊断过程中取得较好的应用效果。     

基于PCA固体垃圾焚烧炉的早期故障诊断

介绍了主元分析法(PCA)及其在垃圾焚烧炉故障诊断中的应用。通过分析历史数据获取主元模型,对运行数据进行在线分析,采用T2和SPE统计法对控制系统进行故障检测,并用故障贡献图对故障进行诊断。研究结果表明,PCA能有效地进行固体垃圾焚烧炉早期故障检测及诊断。     

主元空间中的故障分离与识别方法

主元分析 (PCA)作为数据驱动的一种统计建模方法,在化工产品质量控制与故障诊断方面得到广泛研究和应用.在故障重构技术的基础上,研究了基于T²统计量的故障分离和识别问题,分别获得了主元空间中故障可分离和识别的理论条件.以双效蒸发过程为例,对该生产过程中的10种不同故障进行仿真监测分析,证实了所获理论结果的有效性.     

基于主元分析-概率神经网络的制冷系统故障诊断

制冷系统由于内部物质形态的多样性以及系统参数间的高度耦合而较为复杂,也增加了出现故障后的检测及诊断难度。针对制冷系统常见的7种故障,包括局部故障与系统故障,运用主元分析法提取故障样本主要特征,对样本进行降维处理后,基于概率神经网络进行故障诊断。主元分析法可将原始的62个参数分解为相互独立的主元,根据累计贡献率选取一定量的主元,并将其样本输入概率神经网络进行故障诊断,结果表明结合主元分析后的概率神经网络在一定范围内对spread值不敏感,不仅诊断正确率有所提高,而且缩短了诊断耗时。可见,主元分析法的使用可有效优化概率神经网络的诊断性能。     

基于故障诊断性能优化的主元个数选取方法

主元分析 (PCA)作为一种有效的多元统计监测方法,在化工过程的产品质量控制与故障诊断等方面得到广泛应用.其中主元个数作为PCA监测模型的关键参数,其选取直接决定了PCA的故障诊断性能.传统的主元个数选取方法主观性较大,且一般不能考虑故障诊断的要求.通过对主元空间和残差空间中临界故障幅值的分析,提出一种基于故障检测与识别性能优化的主元个数选取方法.并且能够对故障的检测类型、幅值等重要信息进行预测和估计.通过对双效蒸发过程的仿真故障检测,证实了该主元个数选取方法的上述优点.     

基于贝叶斯推理的PKPCAM的非线性多模态过程故障检测与诊断方法

针对一类非线性多模态的化工过程,提出一种基于概率核主元的混合模型(PKPCAM),并利用贝叶斯推理策略进行过程监控与故障诊断.在提出的模型中, 每个操作模态由一个局部化的概率核主元分量描述,从而构建的一系列分量对应了不同的操作模态.首先,将过程数据从原始的度量空间投影到高维特征空间;其次,在该特征空间建立概率主元混合模型,从概率角度刻画数据集的多个局部分量特征;最后,在提取的核主元分量内获得测试样本的后验概率,结合模态内的马氏距离贡献度,提出基于贝叶斯推理的全局概率指标进行故障检测,同时利用模态内变量的相对贡献度,基于全局贡献度指标进行故障诊断.利用TEP仿真平台,与基于k均值聚类的次级主元分析和核主元分析的方法进行了对比分析,验证了提出的贝叶斯推理的PKPCAM方法对非线性多模态过程进行故障检测与诊断的可行性和有效性.     

一种基于改进MPCA的间歇过程监控与故障诊断方法

针对基于不同展开方式的多向主元分析(MPCA)方法在线应用时各自存在的缺陷,提出一种改进的基于变量展开的MPCA方法,实现间歇过程的在线监控与故障诊断。该方法采用随时间更新的主元协方差代替固定的主元协方差进行T²统计量的计算,充分考虑了主元得分向量的动态特性;同时引入主元显著相关变量残差统计量,避免SPE统计量的保守性,且该统计量能提供更详细的过程变化信息,对正常工况改变或过程故障引起的T²监控图变化有一定的识别能力;最后提出一种随时间变化的贡献图计算方法用于在线故障诊断。该方法和MPCA方法的监控性能在一个青霉素发酵仿真系统上进行了比较。仿真结果表明：该方法具有较好的监控性能,能及时检测出过程存在的故障,且具有一定的故障识别和诊断能力。     

基于统计信号重构的传感器故障诊断

主元分析、偏最小二层等数据驱动的多元统计监控方法由于不依赖于精确的数学模型,在化工过程监控与故障检测方面取得了广泛应用.通过研究基于统计信号重构的传感器故障诊断算法,给出了统计信号重构算法的一般形式,并推导了基于统计信号重构算法进行传感器故障诊断的可检测与可分离性条件,定义了模型空间和余差空间的故障识别指标.通过CSTR仿真对象的应用比较了不同统计信号重构算法间的差异,验证了故障诊断算法的有效性.     

基于主元空间数据重构的传感器故障识别及应用

针对基于主元分析的过程性能监控方法没有充分利用主元模型信息,以及基于 SPE 的信息重构故障诊断方法只利用了残差空间信息的局限性,通过定义故障子空间,对基于T2统计量的主元空间故障数据重构技术进行分析,得到故障可完全重构的条件及指标,从而计算出故障识别指标.将其应用于发酵过程的传感器故障识别,结果表明,该算法能够有效地...     

主元空间中的故障重构方法研究

主元分析 (PCA)作为一种数据驱动的统计建模方法,在化工产品质量控制与故障诊断方面获得了广泛研究和应用.利用故障子空间的概念,研究了基于T²统计量的故障重构问题,获得了主元空间中的完全重构、部分重构,以及可重构性的条件.为进一步在主元空间中进行故障分离和识别提供了可能.通过对双效蒸发过程的仿真监测,对不同传感器的故障类型、幅值等重要信息进行重构和波形估计,证实了所获结果的有效性.