改进邻域保持嵌入—独立元分析的间歇过程故障检测算法

针对间歇过程数据的非线性和高斯与非高斯混合分布特性导致故障检测效果不佳的问题,提出了基于多向差分邻域保持嵌入—加权差分独立元分析(MDNPE-WDICA)的间歇过程故障检测算法.首先采用Jarque-Bera检验方法(J-B test)将原始数据空间划分为高斯和非高斯子空间;然后,在高斯子空间,将差分策略与NPE算法结合提出MDNPE算法,对高斯空间数据进行维数约简,在保持其局部结构不变的同时处理非线性,并克服传统非线性处理方法由于引入核函数带来的计算复杂的问题;在非高斯子空间,将加权差分策略与IC A算法结合提出WDICA算法,在充分提取数据非高斯信息的同时解决其非线性,并有效利用数据的局部信息;最后,通过贝叶斯推断构建一个新的监测统计量,实现整个间歇过程数据的故障检测.通过青霉素生产过程仿真结果验证了所提算法的可行性和有效性.     

改进MKPCA方法及其在发酵过程监控中的应用

针对间歇发酵过程缓慢时变和非线性等特点,提出一种基于滑动窗技术的多向核主元分析(MWMKPCA)方法.该方法结合了核主元分析(KPCA)和滑动窗口技术的优点,其中KPCA能有效解决过程数据的非线性问题,保证数据信息抽取的完整性;而滑动窗口技术能有效避免MKPCA在线应用时预报未来测量值所引入的误差,提高监控性能.对于已判断正常的新批次过程数据,将其加入模型参考数据库进行更新,从而提高间歇过程性能检测的准确性.将该方法应用到工业青霉素发酵过程的监控中,并与MPCA、MKPCA方法的监测性能进行了比较.结果表明:该方法能有效提取过程变量间的非线性关系,降低运行过程的误报率,对缓慢时变的间歇过程具有更可靠的检测性能.     

基于变量分块的 KDLV-DWSVDD 间歇过程故障检测算法研究

非线性动态间歇过程中,测量变量存在不同的序列相关性,且变量间的交叉相关性会体现在不同的采样时刻上,然而传统检测方法没有考虑这种变量间的相关性,通常将所有变量视为独立或相关关系进行特征提取,不能充分提取到故障信息的特征,造成监测效果不佳。因此,提出一种基于变量分块的核动态潜变量-动态加权支持向量数据描述(KDLV-DWSVDD)间歇过程故障检测算法。首先,通过求取变量间的互信息值(MI)将变量分为相关与独立两个变量子块;然后,通过KDLV算法将相关变量子块分为动态部分和静态部分,对动态部分建立向量自回归模型进行监测,对静态部分采用邻域保持嵌入(NPE)算法进行监测;独立变量子块中自变量的动态信息可通过DWSVDD算法进行提取;最后,通过KDLV-DWSVDD算法建立监控统计量进行故障检测。所提算法在青霉素发酵仿真过程中平均故障检测率可达90.38%,相较对比算法提高了近15%,半导体实际工业过程也证明了所提算法对于间歇过程故障检测的可行性和优越性。     

正交局部保持投影早期故障特征提取方法

针对轴承早期故障特征难以提取,提出了一种基于正交局部保持投影的轴承故障特征提取方法。由时域指标和小波频带能量组成高维特征空间。运用正交局部保持投影方法通过训练样本数据求出正交转换矩阵,测试样本经正交转换矩阵转化后得到低维向量。利用不同故障样本的类间散度和同种故障样本的类内散度两个指标来衡量该方法的有效性,通过滚动轴承故障数据的仿真,证明提出的正交局部保持投影的特征提取方法是有效的。     

基于角结构统计量的MKECA间歇过程故障监测

针对间歇过程复杂非线性的特点,提出一种基于角结构统计量的多向核熵成分分析(MKECA)间歇过程监测方法。该方法首先将间歇过程数据进行标准化预处理,然后采用KECA提取间歇过程数据的主成分矩阵。研究表明,经过KECA投影后的主成分数据具有良好的角结构,因此利用主成分矩阵构造基于角结构的统计量,并且采用核密度估计算法计算其控制限。与传统的统计量相比,无需假设过程变量服从高斯分布。最后通过青霉素发酵的仿真平台和大肠杆菌实际生产过程验证,实验结果表明,相比于传统MKPCA方法,能够有效利用主成分的结构信息,明显降低了故障的误报率、漏报率。     

基于改进MVU的非线性动态过程故障检测方法

针对化工过程数据的非线性和动态性分布特征,引入Laplacian特征映射(LE),提出了一种基于改进最大方差展开(MVU)的特征提取算法.在改进算法中,局部以欧式距离、全局以测地线距离为尺度度量数据间差异性,以更好反映数据内在几何性质;此外,借鉴LE算法思路,通过最小化近邻点间距离实现流形结构保持.改进算法兼具全局特性保持和局部流形学习能力,计算效率也有较大提高.将其用于提取非线性动态过程高维数据子流形特征,利用SVDD在特征空间建立故障检测模型,构造统计量并确定其控制限.TE过程仿真及丙烯聚合过程实验研究表明改进方法能有效挖掘过程特征信息、监控过程变化并及时检测故障发生,故障检测率较传统方法有显著提高.     

基于统计模量分析间歇过程故障检测方法研究

针对间歇生产过程非线性、动态性、多阶段、采样不同步等特点,提出一种基于统计模量分析的故障检测方法.间歇过程统计模量反映原始数据特征,可以有效提取过程的非线性特征,保证了统计模量近似服从高斯分布,并使采样数据在不丢失信息的前提下同步化处理.在统计模量训练集中应用主元分析(PCA)方法进行故障检测,可以满足T2和SPE控制限确定的假设要求,使故障检测的准确性与可靠性得到提高.通过在盘尼西林发酵间歇过程中的应用和与多向主元分析(MPCA)、核主元分析(KPCA)等方法对比,验证了此方法的有效性.     

基于正交局部保持映射的转子故障诊断方法

为了改善故障模式识别的分类性能,提出了一种基于正交局部保持映射算法的多流形特征提取方法。对于高维的非线性数据可以有效地提取低维流形特征向量,并且不会改变数据的内在属性。利用转子的振动信号构造一个高维多征兆矩阵,然后在应用正交局部保持映射将这个高维矩阵进行降维,提取低维特征向量矩阵,映射在可视空间里,从而可以有效地达到故障分类的效果,提高故障诊断的准确率。最后通过实验和数据降维仿真证明了正交局部保持映射算法的有效性和可行性。     

基于迭代多模型ICA-SVDD的间歇过程故障在线监测

采用多向主元分析的间歇过程故障监测方法需假设过程数据严格服从高斯分布,而且要对监测批次的测量未知值进行预测,这在一定程度上限制了其应用范围.为此通过建立迭代的多模型序列,不仅有效地解决了测量未知值的预测问题,而且考虑了各个间歇过程时间片之间的关联信息.同时,利用独立成分分析方法提取出过程的非高斯信息,通过引入支持向量数据描述方法对独立成分进行进一步建模,实现非高斯特性下的间歇过程故障在线监测.通过一个实际的半导体制造过程的实验研究,表明提出的新方法可以更有效地处理间歇过程数据信息.     

基于滑动窗口的时间序列异常检测方法

针对传统滑动窗口异常检测(anomaly detection for sliding windows)中的子序列特征不能准确反映数据结构特征的问题,采用子序列斜率置信区间的方式进行解决,并提出了基于滑动窗口的时间序列异常检测方法。通过滑动窗口法将时间序列进行初始分割,提取子序列斜率的置信区间距离半径用于异常子序列的识别,并最终通过Gath-Geva聚类算法完成异常值与正常值的划分。仿真数据集检测结果表明,与以方差信息和传统斜率信息的特征提取方式相比,提出方法的查全率分别提升6.9%和46.3%。工程数据的检测实验结果表明,提出的算法能够准确识别异常数据信息,查全率和查重率都达到84%以上,验证了提出方法的工程可用性。     

Fault Diagnosis Model Based on Feature Compression with Orthogonal Locality Preserving Projection

Based on feature compression with orthogonal locality preserving projection(OLPP),a novel fault diagnosis model is proposed in this paper to achieve automation and high-precision of fault diagnosis of rotating machinery.With this model,the original vibration signals of training and test samples are first decomposed through the empirical mode decomposition(EMD),and Shannon entropy is constructed to achieve high-dimensional eigenvectors.In order to replace the traditional feature extraction way which does the selection manually,OLPP is introduced to automatically compress the high-dimensional eigenvectors of training and test samples into the low-dimensional eigenvectors which have better discrimination.After that,the low-dimensional eigenvectors of training samples are input into Morlet wavelet support vector machine(MWSVM) and a trained MWSVM is obtained.Finally,the low-dimensional eigenvectors of test samples are input into the trained MWSVM to carry out fault diagnosis.To evaluate our proposed model,the experiment of fault diagnosis of deep groove ball bearings is made,and the experiment results indicate that the recognition accuracy rate of the proposed diagnosis model for outer race crack、inner race crack and ball crack is more than 90%.Compared to the existing approaches,the proposed diagnosis model combines the strengths of EMD in fault feature extraction,OLPP in feature compression and MWSVM in pattern recognition,and realizes the automation and high-precision of fault diagnosis.     

Batch process fault detection and identification based on discriminant global preserving kernel slow feature analysis

As an attractive nonlinear dynamic data analysis tool, global preserving kernel slow feature analysis (GKSFA) has achieved great success in extracting the high nonlinearity and inherently time-varying dynamics of batch process. However, GKSFA is an unsupervised feature extraction method and lacks the ability to utilize batch process class label information, which may not offer the most effective means for dealing with batch process monitoring. To overcome this problem, we propose a novel batch process monitoring method based on the modified GKSFA, referred to as discriminant global preserving kernel slow feature analysis (DGKSFA), by closely integrating discriminant analysis and GKSFA. The proposed DGKSFA method can extract discriminant feature of batch process as well as preserve global and local geometrical structure information of observed data. For the purpose of fault detection, a monitoring statistic is constructed based on the distance between the optimal kernel feature vectors of test data and normal data. To tackle the challenging issue of nonlinear fault variable identification, a new nonlinear contribution plot method is also developed to help identifying the fault variable after a fault is detected, which is derived from the idea of variable pseudo-sample trajectory projection in DGKSFA nonlinear biplot. Simulation results conducted on a numerical nonlinear dynamic system and the benchmark fed-batch penicillin fermentation process demonstrate that the proposed process monitoring and fault diagnosis approach can effectively detect fault and distinguish fault variables from normal variables.     

Statistical process monitoring based on orthogonal multi-manifold projections and a novel variable contribution analysis

Multivariate statistical methods have been widely applied to develop data-based process monitoring models. Recently, a multi-manifold projections (MMP) algorithm was proposed for modeling and monitoring chemical industrial processes, the MMP is an effective tool for preserving the global and local geometric structure of the original data space in the reduced feature subspace, but it does not provide orthogonal basis functions for data reconstruction. Recognition of this issue, an improved version of MMP algorithm named orthogonal MMP (OMMP) is formulated. Based on the OMMP model, a further processing step and a different monitoring index are proposed to model and monitor the variation in the residual subspace. Additionally, a novel variable contribution analysis is presented for fault diagnosis by integrating the nearest in-control neighbor calculation and reconstruction-based contribution analysis. The validity and superiority of the proposed fault detection and diagnosis strategy are then validated through case studies on the Tennessee Eastman benchmark process.     

基于分段线性MPCA的充液氨过程建模及监控

为深入分析晶变改性装备中反应釜充液氨工艺过程特性,同时也为了进行更精确、有效的过程监控,提出了一种分段线性多向主元分析(MPCA)方法,实现该间歇过程的建模及故障诊断。首先将三维建模数据降维展开并进行主元分析(PCA),得到采样点数据特征矩阵;然后基于间歇过程的多操作时段特性,根据特征矩阵相似度最大隶属原则,通过设定窗口长度可调的滑动聚类器,在系统运行轨迹上分别从数据变异的方向和幅值对采样点进行2次聚类划分,将间歇过程操作周期分割为一系列运行特性相同的子时段,最后利用各个子时段的线性MPCA模型逼近系统非线性运行过程,实现间歇生产过程建模及在线监测。通过反应釜充液氨工艺过程的实际应用,结果表明提出的建模方法能够对该间歇生产进行合理的、易于从过程特性角度解释的时段划分,所建模型具有可靠的监控性能,能及时准确检测出系统运行过程中的异常情况。     

Uneven batch data alignment with application to the control of batch end-product quality

Batch processes are commonly characterized by uneven trajectories due to the existence of batch-to-batch variations. The batch end-product quality is usually measured at the end of these uneven trajectories. It is necessary to align the time differences for both the measured trajectories and the batch end-product quality in order to implement statistical process monitoring and control schemes. Apart from synchronizing trajectories with variable lengths using an indicator variable or dynamic time warping, this paper proposes a novel approach to align uneven batch data by identifying short-window PCA&PLS models at first and then applying these identified models to extend shorter trajectories and predict future batch end-product quality. Furthermore, uneven batch data can also be aligned to be a specified batch length using moving window estimation. The proposed approach and its application to the control of batch end-product quality are demonstrated with a simulated example of fed-batch fermentation for penicillin production.     

随机采样子空间保局投影人脸识别算法

在模式识别中,融合多个有差异且互补的弱分类器进行识别,可以提高系统的识别精度及稳定性。Bagging、Boosting和随机子空间等弱学习方法是常用的弱分类器融合方法。本文针对单一保局投影算法分类识别能力弱的问题,提出了一种随机采样子空间保局投影算法。该算法在对训练样本的主元子空间进行随机采样的基础上,利用保局投影得到了多个既有差异且又互补的保局投影子空间;测试样本被分别投影到这些保局投影子空间上,然后利用最近邻分类器进行分类识别,最后根据多数投票原则融合多个子空间上的分类结果来确定样本所属类别。在FERET人脸图像子库上的实验表明,随机采样子空间保局投影算法有效地融合了各LPP投影空间的互补信息,可以显著地提高人脸识别的精度。     

基于FBG应变传感器的隧道安全实时监测算法研究

讨论了埋入式光纤Bragg光栅应变传感器在某隧道施工期间的实际安全监测原理、布局和数据采集,在此基础上对同一截面上所采集的同步多维应变数据流进行了数据分析,给出了一种基于双重滑动窗口模型技术的异常数据实时诊断算法,该方法通过第1个滑动窗口将当前光纤Bragg光栅传感器应力数据与历史数据合并形成当前观测窗口数据,对每个观测窗口内的数据进行主成分分析,并提取其对应的特征向量,得到当前时刻的动态特征;接着采用第2个滑动窗口技术,将得到的当前时刻第一主成分特征向量与历史动态特征合并成为动态特征矩阵并展开相关性分析,最后通过计算相关系数的方差变化来判断数据的稳定性。现场的实际观测结果和对比实验结果证明该方法达到了更好的实时监测效果,同时该方法也为光纤Bragg光栅应变传感器在工程安全实时监测中的应用提供了有力支持。