基于高效核偏最小二乘的质量相关故障检测

核偏最小二乘(KPLS)是一种多元统计方法, 广泛应用于过程监控, 然而, KPLS采用斜交分解, 导致质量相关空间存在冗余信息易引发误报警. 因此, 本文提出了高效核偏最小二乘(EKPLS)模型, 所提方法通过奇异值分解(SVD)将核矩阵正交分解为质量相关空间和质量无关空间, 有效降低质量相关空间中的冗余信息, 并采用主成分分析(PCA)按方差大小将质量相关空间分解为质量主空间和质量次空间. 此外, 为进一步降低由质量无关故障引发的误报警, 提出基于质量估计的正交信号修正(OSC)预处理方法, 并结合EKPLS模型提出了OSC-EKPLS算法. OSCEKPLS通过质量估计值对被测数据进行OSC预处理, 降低了计算复杂度和误报率. 最后, 通过数值仿真和田纳西–伊斯曼过程验证了OSC-EKPLS具有良好的故障检测性和更低的误报率.     

基于改进高效偏最小二乘的质量相关故障诊断

高效偏最小二乘(EPLS)作为偏最小二乘(PLS)的扩展算法之一, 在质量相关故障检测中取得了良好的应用 效果. 然而, 研究发现当系统中存在一些与产品质量无关的信息时会导致EPLS的检测率降低, 影响工业生产安全及 效益. 同时, 传统的基于贡献图的故障诊断方法在无故障时输入变量会对故障检测指标的贡献值不均等, 从而影响 故障诊断效果. 针对上述问题, 本文提出了一种改进高效偏最小二乘(IEPLS)的质量相关故障诊断方法. 所提方法首 先用正常数据建立IEPLS算法模型, 利用获得的模型参数对过程变量进行空间分解. 然后在分解后的空间中定义局 部信息增量均值和局部动态阈值, 结合故障判据进行故障检测. 当故障发生后, 利用每个变量的新息矩阵计算对故 障总体的新息贡献率, 根据各个变量新息贡献率大小实现对故障变量的定位. 最后, 使用田纳西伊士曼过程(TEP)对 算法性能进行了验证.     

基于动态高效潜结构投影的质量相关故障检测

高效潜结构投影(EPLS)算法是一种反映过程变量与质量变量相关关系的多变量统计分析方法,在质量相关故障检测中具有良好的检测效果.然而EPLS算法是一种静态检测模型,不能反映实际工业过程或装备测试中的动态特性,对动态过程中质量相关故障的检测率较低.为此,本文提出了一种基于自回归移动平均模型(ARMAX)的动态高效潜结构投影(D–EPLS)检测算法.该算法首先基于输入时滞值构建增广矩阵,反映工业以及装备测试过程中的动态特性;然后将增广矩阵分解为质量相关和质量无关空间分别进行故障检测;最后通过数值仿真和田纳西伊斯曼过程(TEP)验证算法有效性.实验结果表明所提算法能够更好的适应动态过程,并全面提高了质量相关故障的检测率.     

基于局部信息增量与MPLS的质量相关故障检测方法

在工业生产中,对系统进行故障检测具有十分重要的作用.改进的偏最小二乘(modified partial least squares,MPLS)是在PLS基础上提出的一种扩展算法,在质量相关故障检测中具有良好的检测效果,但当测试数据中含有质量无关故障时,MPLS算法漏报率较高.另外,MPLS算法的阈值为固定值会导致其误报率增加,这些问题会对工业过程监控产生较大影响.鉴于此,提出一种基于局部信息增量与MPLS的质量相关故障检测方法(local information increment-MPLS,LII-MPLS).在MPLS基础上,通过使用局部信息增量技术对测试数据进行实时更新检测后,质量相关故障的漏报率明显降低.同时,过程复杂化导致静态控制限不能满足故障检测的需求,现存的动态控制限适用范围具有一定局限性,因此改进静态控制限将其推广为局部动态阈值.最后,通过田纳西伊士曼过程(Tennessee Eastman process,TEP)仿真实验验证了所提出算法的有效性.     

基于偏最小二乘的质量相关多模态故障检测技术

偏最小二乘(PLS)算法通常适用于稳定工况下的工业过程故障检测.在日趋复杂的工业过程中,过程数据通常不满足正态分布,存在非线性、动态、多模态等问题.针对多模态问题,已有大量模态区分方法可用,但这些方法都未考虑质量相关因素,因此并不适用于质量相关类算法.为此,针对质量相关类算法提出新的质量相关模态区分规则,该规则通过核模糊聚类对添加线性递增时间变量的数据在时间方向上进行初步的聚类,再通过质量相关指标进一步准确划分模态;同时,过程复杂化导致静态控制限不能满足故障检测的需求,现存的动态控制限适用范围具有一定的局限性,可通过改进动态控制限将其推广为广义动态综合控制限.实验中,先是基于两种非线性偏最小二乘模型将新方法应用于青霉素发酵过程故障检测中,极大减少了漏报率和误报率.最后,通过数值仿真实验验证了添加线性递增时间变量的合理性.     

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EPLS的电力系统谐波源的识别与定位

在电力供电优化控制的研究中,谐波是影响电能质量的重要因素,对谐波进行监测和分析具有重要的意义。为定量识别谐波源,准确估算系统谐波阻抗,提出了一种应用加强的偏最小二乘回归(EPLS)的谐波源识别算法,利用EPLS来估算系统谐波阻抗,并识别系统和用户各自所要承担的责任,达到识别谐波源定位目的;通过与二元线性回归、稳健回归以及偏最小二乘算法的比对表明,EPLS算法具有实现简单,分析精度高的优势。通过在MATLAB/SIMULINK中构建仿真模型,应用改进方法进行仿真分析,结果证明了所提方法的正确性和可行性。     

动态内全潜结构投影的空间扩展故障检测方法

动态内偏最小二乘(DiPLS)方法是基于数据驱动的潜结构投影的动态扩展算法, 用于动态特征提取和关键 性能指标预测. 在大型装备系统中, 传感器采集的当前时刻样本受历史样本的影响且可能包含较大噪声. 在动态特 征提取中, 因DiPLS算法未按降序提取主成分, 导致残差空间仍存在较大变异, 动态和静态信息难以有效分离, 影响 故障检测性能. 为此, 本文提出了一种基于动态内全潜结构投影的故障检测方法(DiTPLS). 首先, 使用动态内偏最小 二乘方法和向量自回归模型建立动态模型并检测故障, 用于捕捉质量相关动态信息; 基于结构化动态主成分分析 算法建立一种改进的动态潜在变量模型, 用于残差分解, 提取质量无关的动态信息和静态信息, 并构造合适的统计 量进行故障检测. 数值仿真和田纳西–伊斯曼过程实验验证了DiTPLS算法的有效性.     

质量相关的带钢热连轧过程监控

带钢热连轧过程控制是钢铁制造过程极其复杂的过程,近年来随着市场对带钢产品质量要求的日益提高,提高热连轧带钢质量具有广泛的经济和社会效益。为了确保热连轧过程安全运行,同时提高产品质量,有必要对热连轧过程的异常状况或故障进行检测、诊断和消除。以多元统计过程监控技术(MSPM)为理论指导,以主元分析(PCA)和偏最小二乘方法(PLS)为依托,研究和分析了PCA和PLS以及二者与核函数结合构成的核主元分析方法(KP-CA)和核偏最小二乘方法(KPLS)在热连轧机质量相关的故障分析与检测,通过现场数据及实验验证,在厚度质量相关的故障检测与诊断中取得较好的效果。     

基于分布式最小二乘的冶金工业流程质量异常检测

质量异常检测技术是保障冶金工业过程产品质量安全性和稳定性的重要手段,是当前过程监控领域的热点研究方向。针对传统的偏最小二乘(PLS)、最小二乘(LS)方法获取的主元空间中可能含有和质量正交的成分及检测实时性不强等问题,提出了分布式最小二乘(DLS)方法,设计了监测统计量,实现了质量异常检测。通过典型的冶金工业流程——热轧过程现场数据进行仿真验证,并与传统方法对比,验证了新算法的有效性。所提出的质量异常检测方法,将为以热轧过程为代表的冶金工业流程的安全监控及自主保障提供理论支撑与技术保证。     

一种利用均值匹配改进的高光谱异常检测方法

传统高光谱异常检测算法由于背景信息估计不准确等原因普遍存在高虚警率的问题,针对这一现象,提出了一种利用图像均值进行匹配改进的高光谱异常目标检测后验处理方法。首先采用传统的高光谱异常检测算法将待检测高光谱图像划分为背景与异常目标潜在区域,之后通过对待测图像求解均值,将其与异常目标潜在区域像元进行相似性匹配计算,剔除大范围误检像元,得到最终检测结果。该方法在传统异常目标检测算法基础上进行相似度量剔除大范围虚警像元,在提高原算法探测能力的同时有效地降低虚警率。实验表明,该方法可以有效降低虚警率,提高原算法对于亚像元异常目标的检测能力,且对于不同算法、不同数据具有普适性。     

Fault diagnosis in wireless sensor network using negative selection algorithm and support vector machine

In this article, an improved negative selection algorithm (INSA) has been proposed to identify faulty sensor nodes in wireless sensor network (WSN) and then the faults are classified into soft permanent, soft intermittent, and soft transient fault using the support vector machine technique. The performance metrics such as fault detection accuracy, false alarm rate, false positive rate, diagnosis latency (DL), energy consumption, fault classification accuracy (FCA), and false classification rate (FCR) are used to evaluate the performance of the proposed INSA. The simulation result shows that the INSA gives better result as compared to the existing algorithms in terms of performance metrics. The fault classification performance is measured by FCA and FCR. It has also seen that the proposed algorithm gives less DL and consumes less energy than that of existing algorithms proposed by Mohapatra et al, Zhang et al, and Panda et al for WSN.     

一种改进的基于MRF模型的斑块检测算法

斑块是一种常见的电影胶片损伤.提出了一种基于马尔可夫随机场(MRF)的改进的多步斑块检测及验证算法(MDV).MDV检测算法分3个步骤.第1步将斑点检测索引算法(SDIp)和等级顺序差分检测算法(ROD)相结合以提高斑块检测算法的检全率.第2步的改进的MRF算法以第1步检测结果为运算定义域,大大减小了MRF算法的运算量.第2步随后在原始帧和运动补偿帧分别进行MRF算法检测,并通过添加去噪因子降低了改进的MRF算法的误检率.第3步通过时域的匹配技术将斑块进一步去伪存真.实验结果表明,在与现有的算法的对比中,该方法不仅有着更高的检全率和更低的误检率,而且计算速度也大大提高.     

An improved weighted recursive PCA algorithm for adaptive fault detection

A novel weighted adaptive recursive fault detection technique based on Principal Component Analysis (PCA) is proposed to address the issue of the increment in false alarm rate in process monitoring schemes due to the natural, slow and normal process changes (aging), which often occurs in real processes. It has been named as weighted adaptive recursive PCA (WARP).The aforementioned problem is addressed recursively by updating the eigenstructure (eigenvalues and eigenvectors) of the statistical detection model when the false alarm rate increases given the awareness of non-faulty condition. The update is carried out by incorporating the new available information within a specific online process dataset, instead of keeping a fixed statistical model such as conventional PCA does. To achieve this recursive updating, equations for means, standard deviations, covariance matrix, eigenvalues and eigenvectors are developed. The statistical thresholds and the number of principal components are updated as well.A comparison between the proposed algorithm and other recursive PCA-based algorithms is carried out in terms of false alarm rate, misdetection rate, detection delay and its computational complexity. WARP features a significant reduction of the computational complexity while maintaining a similar performance on false alarm rate, misdetection rate and detection delay compared to that of the other existing PCA-based recursive algorithms. The computational complexity is assessed in terms of the Floating Operation Points (FLOPs) needed to carry out the update.     

LTE-A系统中物理随机接入信道信号检测的仿真与实现

根据多普勒频移对物理随机接入信道（PRACH）信号检测产生的影响进行分析,划分出了中速、高速、超高速三种模式,并提出相应改进的信号检测算法。对中速模式,提出了基于频偏校正的前导检测算法;对高速模式,提出了多重滑窗峰值检测算法;对超高速模式,提出了基于整数倍子载波的频偏补偿前导检测算法。仿真结果表明,不同场景下PRACH信号通过加性高斯白噪声（AWGN）信道传输,接收端虚警率性能至少改善了3.8 dB;通过扩展典型城市信道模型（ETU）信道传输,虚警率性能至少提升了1 dB。与频域相关检测算法相比,所提算法提高了前导信号成功检测概率,减少了接入时延。     

基于NMEA-BP的WSN数据流异常检测算法

针对常规BPNN(Back Propagation Neural Network)容易陷入局部最优解、收敛速度慢等问题,提出了一种基于小生境思维进化NMEA(Niche Mind Evolutionary Algorithm)及BPNN的传感器数据流异常检测算法(NMEA-BP).该算法利用NMEA的全局搜索性优化BPNN的参数,获得BPNN的最优权阈值,从而提高异常检测的准确性.为了评估算法的性能,使用因特尔伯克利实验室数据集IBRL(Intel Berkeley Research Lab)及带标记的传感网络数据集LWSNDR(Labeled Wireless Sensor Network Data Repository)完成了仿真实验,并与基于常规BPNN、支持向量机(Support Vector Machine)和极限学习机(Extreme Learning Machine)等3种异常检测算法作对比.仿真实验结果表明,与上述3种算法相比,NMEA-BP算法对各个数据集都具有较高的检测率和较低的误报率,检测率平均达到99.45％,误报率平均仅为1.45％.此外,NMEA-BP异常检测算法的模型训练时间比传统的BPNN异常检测算法平均减少30％以上.