基于PCA多变量统计的故障检测与诊断

主元分析(PCA)是一种能够对过程生产进行监测和质量控制的有效方法,在保证数据信息丢失最少的情况下,大大降低了原始数据空间的维数。为了更好地进行故障检测与诊断,介绍了基于PCA多变量统计的故障检测与诊断,给出了广泛应用在多变量统计过程上的T2和Q(或SPE)统计量。利用PCA分析建模可以消除变量间的非线性关联,降低噪声影响。用田纳西-伊斯曼过程TEP(Tennessee-Eastman Process)平台产生仿真数据,并利用Matlab软件建立故障检测与诊断模型。通过T2和Q(或SPE)统计量与其阈值的判断,进行对系统的故障检测与诊断。实验表明,基于PCA的故障诊断方法能够对过程的非正常变化做出反应,也能较正确地找出发生故障的原因以及相应环节。     

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GMM的多工况过程监测方法

传统基于主元分析的故障检测方法大多假设工业过程只运行在1个稳定工况,数据服从单一的高斯分布。若这些方法直接用于多工况过程则将会产生大量的误检。为此,本文提出了1种基于高斯混合模型的多工况过程监测方法。首先利用PCA变换对过程数据集进行降维,在主元空间建立高斯混合模型对过程数据进行聚类,自动获取工况数和相关分布特性。然后对每个工况建立主元分析(principal component analysis,PCA)模型来描述整个运行过程数据分布的统计特性。最后在过程监测中,根据监测样本属于各个工况的概率构造综合统计量,实现对多工况过程的故障检测。TE过程的仿真结果表明,本文提出的方法与传统的PCA方法相比,能自动获取工况和精确估计各个工况的统计特性,从而能更准确及时地检测出多工况过程的各种故障。     

优化局部保留投影及其在表情识别中的应用

提出一种基于优化局部保留投影(OLPP)的人脸表情识别方法。OLPP方法在降维过程中将图像结构信息融入LPP目标函数,通过降维处理,在获得图像结构信息的同时将投影最优化,从而能从原始表情数据中提取更多更具判决性的有效表情信息。JAFFE和CED- WYU(1.0)2个表情数据库的识别结果表明,基于OLPP的特征提取方法能有效提高识别率。     

基于改进PCA的正常工况改变与过程故障识别方法

针对传统的主元分析(PCA)的T~2和平方预测误差(SPE)检验所提供的信息并不一致的缺陷,提出一种改进的PCA方法。该方法采用主元相关变量残差(PVR)和一般变量残差(CVR)统计量代替SPE统计量用于过程监测。将此改进的PCA方法应用到双效蒸发过程的仿真监测,与传统的PCA方法相比,新PCA方法能够有效地识别正常工况改变与过程故障引起的T~2图变化,避免了SPE统计量的保守性,能够提供更详细的过程变化信息,提高了对过程变化的分析与诊断能力。     

基于主元分析新统计量的多元统计过程监控（英文）

针对传统的主元分析(PCA)的T~2和平方预测误差(SPE)检验所提供的信息并不一致的缺陷,提出了一种改进的PCA方法。该方法采用主元相关变量残差(PVR)和一般变量残差(CVR)统计量代替SPE统计量用于过程监测。将此改进的PCA方法应用到双效蒸发过程的仿真监测,与传统的PCA方法相比,新PCA方法能够有效地识别正常工况改变与过T~2程故障引起的图变化,避免了SPE统计量的保守性,能够提供更详细的过程变化信息,提高了对过程变化的分析与诊断能力。     

改进PCA 在发酵过程监测与故障诊断中的应用

提出一种改进的主元分析(PCA)法．利用主元相关变量残差统计量代替平方预测误差Q统计量，并采用累积方差贡献率及复相关系数确定PCA模型的主元数．将改进的主元分析法应用于粘菌素发酵过程监测和故障诊断中，仿真结果表明改进的PCA方法避免了Q统计量的保守性，并保证了主元子空间中的信忠存量．与一种基于特征子空间的系统性能监控方法相比较，改进的PCA方法具有更强的有效性．     

基于OLPP和信息向量机的人脸识别

结合正交局部保持投影(OLPP)和信息向量机(IVM),提出用于人脸识别的OLPP-IVM算法。应用OLPP对原始人脸图像数据进行特征提取,利用IVM在降维后的数据上实现人脸分类。与主成分分析、线性判别分析等算法的比较实验证明,用该算法进行人脸识别误差更小,性能更优越。     

密闭鼓风炉铅锌熔炼的统计过程监测系统设计

密闭鼓风炉熔炼过程中的铅锌冶炼反应工艺非常复杂,且工况变化较大,目前还没有比较有效的方法对其监测。主元分析(PCA)是一种有效的多元统计过程监测方法,将PCA应用于密闭鼓风炉熔炼生产的统计过程控制,分析了T~2统计、SPE统计量的变化趋势,与密闭鼓风炉实际生产状况的对应关系。试验结果表明,PCA方法可快速有效地反映生产过程的变化,生产运用效果表明该方法大大提高了对密闭鼓风炉生产工况的实时监测能力,提高了生产效率。     

基于高阶累计统计量的微生物发酵过程监测

传统多向核独立成分分析(MKICA)方法的实质是把基于独立成分分析(ICA)中的白化处理主元分析(PCA)替换为核主元分析(KPCA)后利用二阶统计量进行过程监控,并未利用过程数据的阶段特性和高阶累积量信息,为了解决此问题,提出高阶累积量分析(HCA)与多向核熵独立成份分析(MKECA)相结合的多向高阶累计量的核熵独立成分分析方法(HCA-MKEICA).首先,采用核熵独立成份分析(KECA)对原始数据进行数据转换,解决数据的非线性;然后,在高维核熵空间利用HCA技术构建新的统计量用于过程监控;最后,将该方法应用于青霉素仿真平台和实际的工业过程并与MKICA方法进行对比,以验证所提出方法的有效性.     

基于LLE方法的本征维数估计

基于局部线性嵌入(LLE)方法所确定的数据集的拓扑结构和高维数据空间的距离特性,提出了自逼近度和可分离度的概念,然后利用二者构建了一种新的本征维数估计方法.这种估计方法揭示了LLE降维过程中涉及的数据维数与邻域大小的选取之间的内在关联.最后,通过与主成分分析(PCA)进行实例对比,说明这种方法更加合理,更能反映数据集的本征特性.     

基于类别信息的监督局部保持投影方法

局部保持投影算法(LPP)是拉普拉斯映射(LE)的线性近似,但LPP作为一种无监督方法,并没有有效利用已有的类别信息提高分类效率。为此提出一种基于类别信息的监督局部保持投影方法(SLPP-LI)。在学习投影矩阵时,SLPP-LI综合利用了流形的几何结构和已有训练点的类别信息,通过调整控制参数的取值,有效地利用已知的低维信息,并且直接求解线性方程获得高维数据的低维模型。通过在多个人脸数据库和手写数字库上的对比实验,表明了SLPP-LI对于高维数据的初始维数以及训练数据的数目并不敏感,〖BP(〗同类问题中与相应的对比算法相比〖BP)〗与主分量分析法(PCA)、LPP、正交LPP(OLPP)、有监督的LPP(SLPP)相比,均具有较高的识别率,充分说明SLPP-LI算法能够有效处理分类问题。     

基于Q统计量分量的故障检测算法研究

针对传统PCA故障检测算法的结果有定论不明确的缺陷,提出一种基于Q统计量分离的故障检测新方法,把Q统计量分为PVR和CVR,前者代表显著与主元有关的变量信息,后者代表与主元无明显关系的变量信息,再配合T2统计量共同用于监测过程,检测效果更细致.将此方法结合基于累积方差贡献率(CPV)和复相关系数(MCC)确定过程监测模型主元数的新方法,监测β-甘露聚糖酶发酵工业的过程,与传统的PCA故障检测方法比较,仿真研究结果表明该算法能够确保主元空间(PCS)中的信息存量,充分刻画过程变化,有效识别正常工况变化与故障,正确检测微弱故障,提高过程监控的准确性.     

基于主元分析得分重构差分的故障检测策略

基于主元分析(PCA)的统计过程控制方法通常假设数据的生成过程是独立同分布的.当数据存在多模态结构或过程变量非线性相关时, PCA方法的故障检测性能将受到影响.针对上述问题,本文提出一种基于PCA得分重构差分的故障检测策略.首先,应用PCA将输入空间分解为主元子空间和残差子空间;接下来,应用k近邻(k NN)规则重构当前样本得分向量并计算样本的得分重构差分向量;最后,计算得分重构差分向量的统计值并进行故障检测.本文方法不仅可以降低数据多模态和变量非线性相关等特征对过程故障检测的影响,同时可以降低统计量的自相关性、提高过程故障检测率.将本文方法在两个模拟例子和田纳西–伊斯曼(TE)过程中进行测试,并与PCA、核主元分析(KPCA)、动态主元分析(DPCA)和k最近邻故障检测(FD–k NN)方法进行对比分析,测试结果证明了本文方法的有效性.     

基于分层分块DLPPCA-SVM的复杂工业过程监测与故障诊断方法

针对工业过程动态性及非线性强等特点,提出一种基于动态局部保持主成分分析法的过程监测方法.该方法通过构造扩展矩阵来解决动态过程中各采样点间相关性强的问题,并将局部保持投影(LPP)与主成分分析法(PCA)相结合从而实现提取流形结构的最大方差信息.在此基础上,针对复杂工业过程变量复杂多变、呈不同特性的特点,提出基于分层分块DLPPCA-SVM(dynamic locality preserving principal component analysis-support vector machine, DLPPCA-SVM)的过程监测及故障诊断方法,该方法针对不同特性的子块分别采用DLPPCA和PCA进行建模,并利用支持向量机进行故障诊断.将该方法用于田纳西-伊斯曼(TE)化工过程和发电机组的在线监测和故障诊断,仿真结果验证了所提出方法的有效性.     

基于OLPP符号表示的时间序列分类算法

基于符号表示的时间序列分类方法是时间序列数据挖掘的关键技术。大部分现有方法主要针对单个时间序列样本进行符号表示,没有考虑样本间的近邻关系对符号化分类的影响。对此提出一种基于正交局部保持映射(Orthogonal Locality Preserving Projection,OLPP)的时间序列符号表示方法。使用OLPP对原始数据集进行维数约减,利用信息增益寻找维数约减后数据的最佳符号投影区间,采用多重系数分箱技术(Multiple Coefficient Binning,MCB)将降维后数据表示成符号序列。该算法在20个时间序列数据集上的分类效果好于已有方法,有效利用样本间的近邻关系能够显著提高算法的分类性能。     

LPMVP算法及其在故障检测中的应用

针对数据信息的特征提取和降维问题, 提出一种局部保持最大方差投影 (Locality preserving maximum varianceprojections, LPMVP) 新算法. 该算法综合考虑了主元分析(Principalcomponent analysis, PCA)和局部保持投影(Locality preservingprojections, LPP)算法的优点和不足, 提出了新的优化目标, 使投影得到的低维空间不仅和原始变量空间有相似的局部近邻结构, 而且有相似的整体结构, 因而可以包含更多的特征信息. 在此基础上, 本文使用LPMVP算法把原始变量空间划分为特征空间和残差空间, 分别构造了T2和SPE统计量对过程进行监测, 建立了一种新的故障检测方法. 通过数值例子以及TE过程的仿真研究, 表明了LPMVP算法可以有效地提取数据信息, 同时也体现了较强的故障检测能力.     

基于多尺度核主元分析的非线性过程监控方法研究

针对化工过程数据的多尺度性和非线性特性,提出了一种多尺度核主元分析方法(MSKPCA)监控过程的运行状态。使用小波变换在不同尺度下分解测量信号．然后借助于核函数对分解后的数据进行非线性变换,在变换后的线性空间中用主元分析(PCA)提取过程数据的主要特征,构造监控统计量T2和Q来检测故障。在此基础上,提出了一种贡献图方法．计算过程变量对故障的贡献量,用于故障变量的分离。在TE过程上的监控结果表明,MSKPCA可以比PCA和动态PCA更迅速地检测到过程故障,贡献图方法能够正确地分离故障变量。     

间歇过程滑动窗口子时段PCA 建模和在线监测

针对在短期内不容易获得充足建模数据的间歇工业过程,提出一种间歇过程监视方法,该方法只需要一次正常间歇操作数据,利用滑动窗口,进行子时段划分、建立初始主元分析(PCA)监测模型,同时提出了基于子时段PCA模型的在线监测算法和一种模型更新策略.通过在注塑过程的成功应用,表明了所提出方法的可行性和有效性.     

基于缺失数据的误差生成策略及其在故障检测中的应用

误差生成是基于机理模型故障检测方法的核心本质,但鲜有应用于统计过程监测方法中.为此,提出一种基于缺失数据的误差生成策略,将能反映出采样数据对统计模型拟合程度的误差作为新的被监测对象实施故障检测.所提出的基于缺失数据的主元分析(MD-PCA)方法通过逐一假设各变量测量数据缺失后,利用缺失数据处理方法推测出相应缺失数据的估计值,并对缺失数据的实际值与估计值之间的误差实施基于PCA模型的故障检测.利用误差实施故障检测的优势在于,生成的误差能在一定程度上降低原测量变量的非高斯性程度,而且误差体现的是对应缺失变量中与其他测量变量不相关的成分信息,更能揭示各测量变量的本质.通过在TE过程上的实验充分验证了所提出方法的优势,以及MD-PCA方法用于故障检测的可行性与优越性.