基于斯皮尔曼相关分析的非线性动态过程特征提取与故障检测

斯皮尔曼相关系数是一种非参数的相关性度量,可以等级化变量之间的相关性。然而,复杂的生产过程存在非线性、动态和多阶段问题,并且历史训练集数据仅包含正常过程的数据,使得斯皮尔曼相关不能直接应用于故障检测。为此,提出一种基于斯皮尔曼相关分析和时间窗等级化方法的故障检测算法。首先,找到样本点所在的时间窗,计算样本在窗内的等级;然后,使用基于斯皮尔曼相关的降维方法将数据映射到低维空间;最后,构造适用于等级化数据的统计量R²作为故障检测的依据,当样本的R²高于所得控制限时,认为样本是故障的,否则是正常的。将所提方法用于数值模拟和青霉素发酵过程实验,结果表明该方法在故障检测方面优于传统的统计方法。     

基于局部近邻标准化和主多项式算法的故障检测

针对工业过程的非线性和多模态特征,提出了一种基于局部近邻标准化(local neighborhood standard ization,LNS)和主多项式分析(principal polynomial analysis,PPA)结合的故障检测算法。首先,将样本数据通过局部近邻标准化(local neighbor standardization,LNS)算法,对每个样本构建k近邻数据集;然后应用k近邻数据集的均值和方差对当前样本进行标准化处理;最后使用PPA对已经标准化处理后的样本建模,计算出T2和SPE统计量,并确定控制限进行故障检测。LNS算法能够去除数据中的多模态特征,而PPA算法能够有效的处理非线性数据,因此LNS-PPA方法能够提高具有多模态非线性特征的工业过程故障检测能力。将该方法应用于多模态非线性数值例子和田纳西伊斯曼(TE)化工过程,并将测试结果与主元分析法(principal component analysis,PCA)、主多项式分析法进行对比,其结果能够有效验证LNS-PPA的优越性。     

基于改进PCA的复杂多阶段过程故障检测

为解决复杂多阶段过程难以进行有效监控的问题,提出了时空近邻标准化和主成分分析的故障检测方法。TSNS使用从时间到空间上嵌套近邻集的均值和标准差标准化各阶段样本,能够将多阶段数据高斯化为单一阶段的数据,分离故障样本,同时去除前后时刻样本间的时序相关性。TSNS能帮助PCA有效克服动态性、非线性和多阶段特征的影响,显著提高PCA的故障检测率。通过使用青霉素发酵过程设计故障检测实验,将TSNSPCA与一些经典方法进行比较,发现其具有更高的故障检测率。     

基于IMDS-DLNS方法的工业过程故障检测

针对多维尺度变换(multidimensional scaling,MDS)方法对高维数据进行维数约简时,新样本缺少映射矩阵无法进行低维嵌入的问题,提出了增量式多维尺度变换(incremental multidimensional scaling,IMDS)方法。首先,引入双重局部近邻标准化(dual local nearest neighbor standardization,DLNS）技术以解决IMDS方法降维后数据仍然具有多中心、方差差异明显等问题;其次,采用Hotelling T²统计量对过程进行监控,组成增量式多维尺度变换和双重局部近邻标准化的故障检测方法(IMDS-DLNS);最后,通过数值模拟过程和青霉素发酵过程,将IMDS-DLNS方法分别与PCA,KPCA和FD-KNN等方法作对比分析。结果表明,IMDS-DLNS对比其他方法有更高的故障检测率。IMDS-DLNS方法对多变量、多模态过程具有良好的故障检测能力,能够保障产品质量和生产的安全性,可为工业过程故障检测研究提供参考。