基于邻域保持嵌入和标准距离K近邻的多模态过程故障检测

提出一种基于邻域保持嵌和标准距离K近邻(neighborhood preserving embedding-standard distance k nearest neighbor rule, NPE-SDKNN)的故障检测方法来解决非线性和多模态问题。首先,使用邻域保持嵌入方法提取数据中的流形结构,对数据进行降维;其次,在低维空间计算每个样本的标准距离,将各模态间的数据调整到同一尺度;最后使用标准距离的统计量对故障进行检测。邻域保持嵌入能够解决非线性问题和降低计算复杂度,标准距离K近邻通过用标准距离替代原始距离,消除了数据的多模态特征,使用NPE-SDKNN方法进行故障检测,能够提高多模态数据的故障检测率。在田纳西伊斯曼过程运用NPE-SDKNN方法,结果表明,相对于K近邻、主元分析、邻域保持嵌入、标准距离K近邻方法,NPE-SDKNN具有更高的故障检测率。     

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。     

基于局部保持嵌入–K近邻比率密度的半导体 蚀刻过程故障诊断策略

针对多模态间歇过程存在数据维度高且方差差异较大的特征,提出一种基于局部保持嵌入–K近邻比率密度(NPE–KRD)规则的故障检测方法.首先,利用局部保持嵌入(NPE)方法将原始的高维数据投影到低维空间;其次,在低维空间通过计算样本的密度及其前K近邻密度的均值来建立K近邻比率密度(KRD);最后,根据核密度估计法确定统计量控制限并进行故障诊断. NPE方法既能够在低维空间保持数据局部近邻结构,又能够降低故障检测过程的计算复杂度.通过引入比率密度, NPE–KRD可以降低多模态方差结构差异对故障检测的影响,提高过程故障检测率.通过数值例子和半导体工业过程的仿真实验,并与主元分析、K近邻、局部保持嵌入等方法进行比较,验证了本文方法的有效性.     

基于密度标准误差的局部保持投影故障检测策略

针对协方差结构具有显著差异的多模态过程故障检测问题,本文提出一种基于密度标准误差的局部保持投影故障检测策略(LPP-DSE).首先,根据样本距离矩阵确定样本截止距离;接下来,应用截止距离计算每个样本的本质密度及其前k近邻样本的估计密度;最后,通过样本的密度误差及其k近邻密度的标准差构建统计量并完成过程监控.本文方法通过应用局部保持投影(LPP)对过程数据进行维数约减可以保证过程监控的及时性;同时,通过设计密度标准误差(DSE)统计量可以有效提高多模态过程的故障检测率.此外,本文给出基于贡献图的诊断方法能够准确识别故障发生的原因.通过数值例子和半导体工业实例测试,并与主元分析、邻域保持嵌入、局部保持投影、k近邻故障检测等方法比较,实验结果进一步验证了LPP-DSE方法的有效性.     

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.     

基于交叉熵的改进NPE间歇过程故障检测算法

针对具有复杂动态特性的间歇过程进行故障检测,邻域保持嵌入(neighborhood preserving embedding,NPE)算法在保持数据局部几何结构时因忽略全局信息而造成检测率较低的问题,提出一种基于交叉熵(cross entropy,CE)的邻域保持嵌入(CEGLNPE)算法.首先,将交叉熵保持全局结构的思想引入NPE的局部结构保持中,得到兼顾全局-局部的目标函数;然后,利用滑动窗进一步解决间歇过程动态性问题并建立全局-局部的故障检测模型,可以同时兼顾全局和局部数据的结构保持,以提高故障检测效率和精度;最后,通过监测SPE、T²统计量判断是否发生故障.利用人工数据集Swiss-Roll和青霉素发酵仿真过程与KPCA、NPE算法进行对比验证,所得结果表明了所提出算法在故障检测中的有效性.     

基于双权重多邻域保持嵌入的间歇过程故障检测

针对间歇过程数据的动态特性带来的故障检测问题,提出一种双权重多邻域保持嵌入(double weight multiple neighborhoods preserving embedding,DWMNPE)算法.首先,为每个样本点寻找时间近邻来描述样本点之间的时序相关关系;其次,定义角度近邻,并为样本点寻找角度近邻和距离近邻,以表征样本点在空间上的相似性,通过提取这3种不同的流形特征,充分表征数据的局部结构特征;再次,构造一种新的目标函数,在考虑误差最小的同时兼顾3种近邻的顺序信息,可防止NPE算法在计算重构权值时丢失近邻顺序信息,在解决数据动态性的同时充分提取原始数据的本质局部结构;最后,对降维数据构造局部离群因子(local outlier factor,LOF)统计量进行监控,消除数据非高斯特性对监控效果的不利影响.数值例子和青霉素发酵过程仿真结果验证了DWMNPE方法对动态性间歇过程故障检测的有效性.     

半监督邻域保持嵌入在高光谱影像分类中的应用

为了解决高光谱遥感影像的维数约简问题以提高分类算法的分类精度,并针对高光谱影像通常只包含少量标记样本的问题,提出了基于一种半监督邻域保持嵌入(SSNPE)和改进的KNN分类器的高光谱影像分类算法。该算法在NPE的基础上同时利用同类标记样本和邻域未标记样本获得数据的邻域嵌入结构,并且通过增加标记近邻样本的权重加大降维数据的鉴别性,进而增加k近邻分类器的样本分类精度。在Urban、Indian高光谱影像数据集上的实验结果表明,改进的算法的分类精度提高了约8.7%、3.6%以上,分类性能有了较明显的改善。     

基于EEMD-kNN的工业过程微小故障检测

针对非线性工业过程早期发生的微小故障不易检出的问题，提出一种基于集合经验模态分解(Ensemble empirical Mode Decomposition, EEMD)的k近邻(k-Nearest Neighbor, kNN)指标累积和故障检测方法(EEMD-kNN)。通过EEMD预处理原始建模数据，在本征函数构建的数据空间中引入kNN规则，提出构造一种加权因子来强化特征，使重构建模数据集更好地包含数据的非线性特征；再一次采用kNN规则提取重构样本的非线性特征，并构建k近邻距离平方累积和统计量，通过核密度估计法确定其控制限。通过一个数值案例和TE(Tenessee Eastman)过程进行实验仿真，并与kNN和EEMD-PCA方法进行对比，结果验证了该方法的有效性。     

基于PC-wkNN的多工况间歇过程故障检测方法研究*

针对多工况间歇生产过程中,过程数据维数高、中心漂移和方差差异明显等特点,提出了基于主元分析和加权k近邻相结合的故障检测方法(PC-wkNN)。首先应用PCA确定训练数据主元模型,简约数据结构;其次在主元空间以训练样本的第k近邻的局部近邻平均距离倒数为权重,构建加权距离D.加权距离D可以有效降低工况中心漂移和方差差异明显的影响。最后,根据t分布确定统计量D的控制限,当测试样本加权距离D大于控制限,则其为故障;否则为正常。PC-wkNN提高了工况间歇过程故障检测率。通过两个模拟实例及青霉素发酵仿真实验,与PCA,KPCA,FD-kNN,PC-kNN等方法比较,验证了本文方法的有效性。     

改进LNS和邻域保持嵌入算法的研究

传统邻域保持嵌入算法(Neighbor Preserving Embedding,NPE)对具有多中心、方差差异明显特性的高维数据的降维处理效果并不好,因此提出一种改进LNS和邻域保持嵌入算法(Modified Local Neighbor Standardization-Neighbor Preserving Embedding,MLNS-NPE),并应用于故障诊断中。利用MLNS算法对数据进行处理,对处理后的数据进行NPE算法建模。在数值例子和青霉素发酵过程中应用该算法与传统NPE算法、核邻域保持嵌入算法(KNPE)、KNN算法比较,结果表明,采用该算法后,数据多中心和模态差异消除,为后续NPE算法的应用提供先决条件,同时相比其他算法故障检测率最高,提高了NPE算法对多模态数据的检测能力。     

基于互信息的多块k近邻故障监测及诊断

由于传统的k近邻故障监测不考虑过程的局部信息,只建立一个全局模型,因此提出一种基于互信息的多块k近邻故障监测方法。首先,考虑建模数据的非线性和非高斯等特性,基于变量间的互信息进行子块构建;然后,利用k近邻方法对每个子块进行建模与监测,子块中的k近邻模型反映了更多的过程局部特征;最后,将所有子块的监测结果通过贝叶斯推断方法进行融合,并采用基于马氏距离的故障诊断方法辨识故障源。通过对田纳西-伊斯曼过程和高炉炼铁过程中的应用仿真,监测结果表明所提方法的可行性和有效性。     

KNPE算法在化工过程故障检测中的应用

化工生产过程具有维数高、非线性强等特点。针对传统的邻域保持嵌入(NPE)算法对非线性数据特征提取不足的缺陷,引入高斯核函数,将数据由非线性的输入空间转换到线性的特征空间。核邻域保持嵌入(KNPE)算法在构建局部空间特征结构的基础上,能够更好地提取数据的非线性结构。通过以田纳西-伊斯曼(TE)仿真过程为例,构造T2和SPE统计量进行故障检测,证明了KNPE方法比NPE和KPCA方法能够更快更准确的检测出非线性故障的发生。     

基于差分的动态加权SVDD在多模态过程故障检测中的应用

传统SVDD作为一种单模态静态故障检测算法,对多模态动态过程故障的检测难以保证其检测的准确性和实时性。为了解决这一问题,提出一种基于近邻差分加权动态SVDD检测方法（NND-DWSVDD）。首先利用NND剔除数据多模态结构,保证过程数据服从单峰分布;对差分处理后的数据引入动态方法并加入权值将有用的信息凸显出来;最后利用SVDD方法建立监测模型实现在线监测。NND-DWSVDD提高了多模态动态过程故障检测率,对于多模态动态过程故障检测,NND-DWSVDD不要求多模型建模,只需单独的一个模型,符合单模态故障检测要求。通过多模态数值例子和半导体生产过程数据对该方法的有效性进行了验证。     

基于稀疏残差距离的多工况过程故障检测方法研究

针对多工况过程,本文提出一种新的基于稀疏残差距离（Sparse residual distance,SRD）统计指标的故障检测方法.首先对正常的多工况标准化后数据直接进行稀疏分解,提取多个工况数据间相关关系,得到字典和对应的稀疏编码,以便构建全局检测模型,避免分工况且突出数据特征.然后计算正常多工况数据的近似值,构建稀疏残差空间,提出计算稀疏残差k近邻距离构建故障检测统计量,利用k近邻捕捉过程具有的非线性、多工况特征.最后通过数值案例和TE（Tennessee Eastman）生产过程进行仿真实验,验证了所提方法的有效性.     

基于改进KNPE算法的化工过程故障检测

核邻域保持嵌入(KNPE)算法能够较好地在非线性空间中进行故障检测,但高斯核函数仅对数据的局部空间有较强学习能力,泛化能力较差。针对上述问题,在高斯核函数的基础上,引入泛化能力较强的多项式核函数与其进行线性加权组合,提出基于组合核函数的邻域保持嵌入(CKNPE)算法。该算法在注重数据局部学习能力的同时增强了外推、预测能力,更多地保留了原始数据的特征信息。通过田纳西—伊斯曼(TE)仿真实验,与CKPCA、CMKPCA算法进行横向比较,并与NPE、KNPE算法进行纵向比较,证明了CKNPE算法对非线性故障检测的优越性。