基于子时段MPCA-SVM的间歇过程在线故障诊断

针对基于支持向量机(Support Vector Machine,SVM)的间歇过程故障诊断准确率低的问题,结合间歇过程的时段特性,提出了一种基于子时段MPCA-SVM的间歇过程在线故障诊断方法。首先,利用多向主成分分析(Multi-way principal component analysis,MPCA)提取出间歇过程正常运行状态下的每个采样点的主成分,将相邻的且具有相同主成分个数的采样点归到同一粗划分时段内,再在每一个粗时段内利用相邻采样点的负载矩阵的角度信息作为相似性判据来细化分时段;其次,对每个时段建立MPCA在线过程监测模型,同时,利用MPCA提取每个时段内各个类型故障的特征,并用特征数据建立SVM故障诊断模型;最后,MPCA监测模型实施监测功能,当检测到故障时,相应时段的SVM故障诊断模型进行诊断。将该方法应用于青霉素发酵过程仿真平台进行验证,该方法相比于不分时段的SVM的故障诊断方法,平均可提高故障诊断准确率11%,实验结果表明了该方法的有效性和可行性。     

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。     

基于故障检测率的主元个数确定方法

主元个数是PCA模型的关键参数,其选取直接决定PCA的故障诊断性能;针对传统主元个数选取方法主观性较大,且不考虑故障诊断要求的缺点,提出一种改进的主元个数确定方法;该方法将传统的累积方差贡献率与故障检测率相结合,首先利用累积方差贡献率初步确定主元个数,然后确定满足故障检测率要求的主元个数,将两个主元个数进行比较,从而获得最佳主元个数;与单纯累积方差贡献率方法相比,提高了主元模型的精度,减少了以往方法中人为因素的影响;通过对卫星控制系统的故障检测,证实了该方法可大大提高故障检测准确率。     

基于二维主元分析的间歇过程故障诊断

传统的多向主元分析(MPCA)已广泛应用于监视多变量间歇过程。在MPCA算法中,三维的间歇过程数据需要转换为高维的二维向量,导致计算量和存储空间大,同时不可避免地丢失一些重要信息。因此,提出一种新的基于二维主元分析(2DPCA)的故障诊断方法。由于每个批次的间歇过程数据是一个二维向量(矩阵),应用以各个批次矩阵为分析对象的2DPCA算法,避免矢量化,存储空间和存储需求小;另外,2DPCA采用各个批次的协方差的平均值来进行建模,能够更加准确地反映出不同类型的故障,在一定程度上增强了故障诊断的准确性。半导体工业实例的监视结果说明,2DPCA方法优于MPCA。     

一种新的非线性迭推多模型核MFDA的间歇过程监控方法（英文）

针对间歇过程特点和基于多向主元分析(Multiway Principal Component Analysis,MPCA)的间歇过程监控方法的缺陷,利用核映射在处理非线性过程和Fisher判别分析(Fisher Discriminant Analysis,FDA)在故障诊断能力上的优势,提出了基于递推多模型的核多向Fisher判别式分析(Recursive Multi-model Kernel Multi-way FDA,RMKMFDA)的间歇过程监测与故障诊断方法。该方法采用多模型核多向Fisher判别分析(Multi-model Kernel Multi-way FDA,MKMFDA)非线性结构代替MPCA单模型线性化结构,并提出确定时滞变量的算法;一旦通过MKMFDA监测出某一新批次过程正常,则模型参考数据库就随之更新;在线监控时通过比较核Fisher特征向量之间的欧氏距离来实现,而最优核Fisher判别向量用来鉴别故障类型。该方法在实时监控新的批过程时,只需利用已收集到的数据信息,且在线递推地更新模型参考数据库,提高了间歇过程监控的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用RMKMFDA与移动窗多向主元分析(Moving Window MPCA,MWMPCA)方法对青霉素分批补料发酵过程的实时监控,结果表明RMKMFDA比MWMPCA能更及时地监测出过程异常情况,更准确地判断异常发生的原因。     

基于RMKMFDA的间歇过程监测与故障诊断

针对间歇过程特点和基于多向主元分析(Multiway Principal Component Analysis,MPCA)的间歇过程监控方法的缺陷,利用核映射在处理非线性过程和Fisher判别分析(Fisher Discriminant Analysis,FDA)在故障诊断能力上的优势,提出了基于递推多模型的核多向Fisher判别式分析(Recursive Multi-model Kernel Multi-way FDA,RMKMFDA)的间歇过程监测与故障诊断方法。该方法采用多模型核多向Fisher判别分析(Multi-model Kernel Multi-way FDA,MKMFDA)非线性结构代替MPCA单模型线性化结构,并提出确定时滞变量的算法;一旦通过MKMFDA监测出某一新批次过程正常,则模型参考数据库就随之更新:在线监控时通过比较核Fisher特征向量之间的欧氏距离来实现,而最优核Fisher判别向量用来鉴别故障类型。该方法在实时监控新的批过程时,只需利用已收集到的数据信息,且在线递推地更新模型参考数据库,提高了间歇过程监控的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用RMKMFDA与移动窗多向主元分析(Moving Window MPCA,MWMPCA)方法对青霉素分批补料发酵过程的实时监控,结果表明RMKMFDA比MWMPCA能更及时地监测出过程异常情况,更准确地判断异常发生的原因。     

基于FDA-KDE间歇过程在线监控

针对基于传统的多向主元分析(Multiway Principal Component Analysis,MPCA)方法用于间歇过程在线监控时需要对新批次未反应完的数据进行预估,从而易导致误诊断,且统计量控制限的确定是以主元得分呈正态分布为假设前提的缺陷,结合Fisher判别分析(Fisher Discriminant Analysis,FDA)在数据分类及非参数统计方法核密度估计(Kernel Density Estimation,KDE)在计算概率密度函数方面的优势,提出了一种FDA-KDE的间歇过程监控方法。该方法首先利用FDA求取正常工况数据和故障数据的Fisher特征向量和判别向量,获得Fisher特征向量的相似度:然后在提出偏平均集成平方误差(Biased Mean Integrated Squared Error,BMISE)交叉验证法确定KDE的带宽从而获得相似度统计量控制限的基础上,利用已获得的数据测量值对过程进行监控,避免了基于MPCA方法对未来测量值的预估;最后采用基于Fisher判别向量权重的贡献图方法来进行故障诊断。通过对青霉素发酵间歇过程应用表明,所提出的方法比传统的MPCA方法能更及时地监测出过程异常情况,更准确地判断异常发生的原因。     

多尺度多向主元分析方法的研究及应用

为保证间歇过程安全运行和生产出高质量产品,需要对间歇过程进行监视.本文基于多向主元分析方法(MPCA)和小波变换理论,提出了一种新的监视方法,即多尺度多向主元分析方法(MSMPCA).与MP-CA相比,MSMPCA降低了随机误差对测量数据的影响,提高了过程性能监视和故障诊断的准确性.仿真实例验证了该方法的有效性.     

基于自组织神经网络与核密度估计的非线性MPCA在线故障监测

针对多向主元分析(MPCA)不能提取复杂的非线性系统变量间的非线性特性以及T2统计量置信限的确定是以主元得分呈正态分布为假设前提的情况,提出了一种基于自组织神经网络与核密度估计的非线性MPCA在线故障监测方法.该方法用自组织神经网络去提取变量间的非线性特征信息;用核概率密度函数去估计非线性主元的置信限.将该方法应用到β-甘露聚糖酶补料分批发酵过程的在线故障监测中,应用效果表明用非线性主元比用同样数目的线性主元能够获取更多的变量信息,并且用核密度估计置信限的方法比用参数估计的方法能更准确地对故障进行监测.     

基于KECA和FWA-SVM的间歇过程分时段故障诊断方法

针对间歇过程的高度复杂性、强非线性、强时段性等特点,提出一种基于核熵成分分析（KECA）特征变量降维,利用烟花算法（FWA）优化支持向量机（SVM）参数的间歇过程分时段故障诊断方法。首先,通过多向核主元分析（MKPCA）进行在线故障监测,输出故障数据;其次,利用K-means分类方法将间歇过程划分为若干个子时段,对故障数据进行KECA特征变量处理,按熵值贡献率来确定选取主元的个数,深层提取特征信息;最后,在各子时段内分别构建FWA优化SVM参数故障诊断模型,将降维处理后的故障数据代入各自所属子时段FWA-SVM诊断模型内进行故障诊断。通过对青霉素仿真实验数据进行各种对比实验研究,验证了该方法的可行性与有效性。     

非线性主元分析故障检测和诊断方法及应用

本文针对间歇生产过程的特点,基于多方向主元分析方法(MPCA)和非线性理论,提 出了一种非线性多元统计分析方法——最小窗口方法,该方法突破了MPCA方法单模型、线性 化的建模方式,创新性地构造了适合间歇生产过程特点的多模型结构非线性建模方法,并侧 重于在线间歇过程性能监视和故障诊断的实时性,消除了预报未来测量值带来的误差,提高 了过程性能监视和故障诊断的准确率．本文详细地讨论了最小窗口PCA建模方法、原理、应 用实例．基于该方法设计的聚氯乙烯生产过程性能监视和故障诊断系统充分验证了该方法的 有效性．     

基于改进的MPCA与DTW方法及其在批过程故障诊断中的应用

针对传统的多向主元分析(Multiway Principal Component Analysis,MPCA)常会导致误诊断,且对批生产过程难以保证在线状态监测和故障诊断的实时性,提出了一种改进的MPCA与动态时间错位(Dynamitc Time Warping,DTW)方法,该方法采用多模型非线性结构代替传统的MPCA单模型线性化结构,并利用对称式DTW算法解决了多元轨迹同步化的问题。将该方法应用到青霉素发酵批过程的在线故障监测中,结果表明它克服了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。     

基于最优主元数的故障检测性能的改进

研究了一种基于主元分析故障检测确定主元数的新方法. 提出了信噪比并基于信噪比确定最优主元数. 通过最大化信噪比最优主元数被选择, 使故障检测性能得到改进. 这种方法被应用到TE过程中并与累积方差贡献率方法进行比较, 结果显示了此方法的优越性.     

分段多向核主元分析的啤酒发酵过程故障检测

基于主元分析的故障诊断模型应用在非线性时变过程中具有局限性。基于间歇过程具有周期性这一特点,在非线性空间的数据提取中,将核变换理论引入其中,提出了一种改进的多向核主元分析故障诊断模型,该方法对于过程数据的非线性问题的解决和非线性信息的充分提取表现出很好的性能,使得非线性主元能够在高维特征空间中被快速提取。 对比实验结果表明,该方法对于缓慢时变的间歇过程具有很好的准确性与实时性。     

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...     

一种新的多阶段改进MPCA间歇过程监视方法的研究

针对间歇生产过程存在的多阶段问题,提出了基于数据动态特性CPV(1)(cumulative percent variance of the first principal component)指标进行模糊聚类实现多阶段软划分的方法,解决了传统分段方式对间歇过程进行硬划分的缺陷,使得过程多阶段划分更加准确。在此基础上建立多阶段具有时变主元协方差的改进MPCA(multiway principal component analysis)模型进行间歇过程的监视。将此方法应用于青霉素发酵过程,验证了该方法的可靠度和有效性。     

A novel process monitoring and fault detection approach based on statistics locality preserving projections

Data-driven fault detection technique has exhibited its wide applications in industrial process monitoring. However, how to extract the local and non-Gaussian features effectively is still an open problem. In this paper, statistics locality preserving projections (SLPP) is proposed to extract the local and non-Gaussian features. Firstly, statistics pattern analysis (SPA) is applied to construct process statistics and grasp the non-Gaussian statistical property using high order statistics. Then, locality preserving projections (LPP) method is used to discover local manifold structure of the statistics. In essence, LPP tries to map the close points in the original space to close in the low-dimensional space. Lastly, T² and squared prediction error (SPE) charts of SLPP model are used to detect process faults. One simple simulated system and the Tennessee Eastman process show that the proposed SLPP method is more effective than principal component analysis, LPP and statistics principal component analysis in fault detection performance.     

时段划分的多向主元分析间歇过程监测及故障变量追溯

针对间歇过程的多时段特性,提出一种生产过程操作时段划分方法.该方法利用反映过程特性变化的负载矩阵以及主成份矩阵的变化实现了间歇过程子时段的两步划分.提出了基于加权负载向量夹角余弦的负载矩阵相似性度量以及基于加权奇异值变化的奇异值矩阵相似性度量方法,以更客观的反映负载矩阵以及奇异值矩阵的相似性,进而更准确的判断过程特性的变化.根据同一操作子时段的过程特性,其负载矩阵和奇异值矩阵相似性较大的特点,实现了生产过程的子时段划分.将基于子时段划分的多向主元分析(MPCA)建模应用于三水箱系统的在线监测和故障变量追溯,实验结果验证了该方法的有效性.